論文の概要: Seeing the Options: Typed Decisions over Visual Candidates with Reusable Option Memory

• arxiv url: http://arxiv.org/abs/2610.33702v1
• Date: Sat, 24 Oct 2026 14:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.424165
• Title: Seeing the Options: Typed Decisions over Visual Candidates with Reusable Option Memory
• Title（参考訳）: オプションを見る: 再使用可能なオプションメモリを備えたビジュアル候補に対する型付き決定
• Abstract要約: コア決定モジュールを保存しながら、画像、テキスト、ハイブリッド候補に対応するフレームワークであるIrisを紹介します。 我々は、Irisの下での任意の候補単位エンコーダに対して、順序不変性と正確なキャッシュ再利用が成り立つことを証明し、クローズドフォーム遅延の低減を導出する。 また、AmpereWeb上のシステムボトルネックを解決し、Qwen3.5 patch-em Conv3dを350倍の正確な行列生成処理に変換する。
• 参考スコア（独自算出の注目度）: 3.2634122554914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Typed decision-making tasks in agents, such as UI element selection, product recommendation, and chart matching, require models to choose from a set of discrete candidates. While prior work demonstrates that text-only System One models achieve four key properties including candidate-order invariance, scalability, and cache reuse via separate request-candidate encoding, extending them to multimodal settings where candidates are visual remains underexplored. We introduce Iris, a framework that accommodates image, text, or hybrid candidates while preserving the core decision module. We prove that order invariance and exact cache reuse hold for any per-candidate encoder under Iris, and derive the closed-form latency reduction. We construct a visual-candidate benchmark from Multimodal-Mind2Web (K=16, deduplicated, order-shuffled, three generalization splits). Independent encoding (Iris) achieves 78.4 / 72.1 / 74.8 percent accuracy with zero-flip rate under candidate reordering. Joint encoding reaches 90.6 / 89.5 / 91.6 percent but suffers an 8 to 10 percent answer-flip rate when shuffled. To bridge this gap, we propose a design that encodes each candidate conditioned on the request state without inter-candidate cross-attention; it preserves strict order invariance, enables forked cache sharing, and attains 91.7 / 86.5 / 90.0 percent accuracy at one-third of OneJev latency with calibrated null probabilities (AUROC 0.93 to 0.97). Reusing image candidates across requests cuts latency by 37x at K=256 and 191x at K=2048. On MetaEncoder benchmarks, Iris-4B achieves 100 percent on JevBench original and easy, outperforming 30B MetaEncoder and 27B OpenJev. Finally, we resolve a systems bottleneck on Ampere GPUs: reformulating Qwen3.5 patch-embedding Conv3d into its exact matrix-product form accelerates processing by 350x. Code, data, and checkpoints: https://github.com/lllfx/Iris.
• Abstract（参考訳）: UI要素の選択、製品レコメンデーション、チャートマッチングといったエージェントの型付き意思決定タスクでは、個別の候補からモデルを選択する必要があります。 以前の研究では、テキストのみのSystem Oneモデルは、候補順の不変性、スケーラビリティ、キャッシュ再利用の4つの重要な特性を、別の要求候補エンコーディングによって達成している。 コア決定モジュールを保存しながら、画像、テキスト、ハイブリッド候補に対応するフレームワークであるIrisを紹介します。 我々は、Irisの下での任意の候補単位エンコーダに対して、順序不変性と正確なキャッシュ再利用が成り立つことを証明し、クローズドフォームの遅延低減を導出する。 我々はMultimodal-Mind2Web(K=16,deduplicated,order-shuffled, three generalization splits)から視覚候補ベンチマークを構築した。 独立符号化 (Iris) は78.4 / 72.1 / 74.8%の精度を達成し、ゼロフリップレートは候補の再注文で達成する。 共同符号化は90.6 / 89.5 / 91.6%に達するが、シャッフルすると8～10%の解答フリップ率に悩まされる。 厳密な順序不変性を維持し,キャッシュ共有が可能であり, キャリブレーションされたヌル確率を持つOneJevレイテンシの3分の1の精度で91.7 / 86.5 / 90.0%に達する(AUROC 0.93 - 0.97)。 リクエスト間でイメージ候補を再利用することで、K=256でレイテンシが37倍、K=2048で191倍削減される。 MetaEncoderベンチマークでは、Iris-4BがJevBenchのオリジナルで簡単で、30BのMetaEncoderと27BのOpenJevを100%上回っている。 最後に、Ampere GPU上のシステムのボトルネックを解決し、Qwen3.5パッチ埋め込みConv3dをその正確な行列生成形式に再構成することで、処理を350倍高速化する。 コード、データ、チェックポイント:https://github.com/lllfx/Iris。

関連論文リスト

• Joint or Per-Option? Compact Encoders for Closed-Set Decisions from 17 Million to 1 Billion Parameters [0.0]
  32万のパラメーターを3つ並べた調査では、37ベンチマークの判定スイートのホールドアウトサンプルで、オプション毎のスコアがジョイントスコアを上回りました。 初期化によるクロスリーダーの利点は、クエリ候補のペア入力がオプション毎の読み取りと一致している、再ランカの初期化が必要であることを示している。
  論文  参考訳（メタデータ） (2026-10-22T09:14:44Z)
• Jeva: System One Models from First Principles [58.432996881401415]
  Jevaは4つの重要な構造的要件に対処する、決定ネイティブなアーキテクチャです。 共有エンコーダは独立して要求と各オプションを表現し、コンパクトな決定スタックは要求状態のみを洗練する。 Jevとオープンソースモデルに対する評価全般において、Jevaは強力な型付き決定性能とほぼ完璧なnull検出を組み合わせる。
  論文  参考訳（メタデータ） (2026-10-13T17:31:09Z)
• Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
  言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。 しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。 本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T16:19:49Z)
• RASP-QAOA: Resource-Aware Per-Instance Selection for Exact QAOA Simulation [10.033340735277916]
  厳密なQAOAシミュレーションは、グラフ構造、回路深さ、精度、利用可能なメモリ間で有用な領域が著しく異なるいくつかの計算表現にまたがる。 10個のアクションにまたがるインスタンスごとのセレクタであるRASP-QAOAを導入する。 60-request H200の評価では、RASP-QAOAは少なくとも1つの許容可能なアクションが完了し、検証される31の要求すべてで成功する。
  論文  参考訳（メタデータ） (2026-08-06T06:41:41Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• dVoting: Fast Voting for dLLMs [71.572316901001]
  拡散大言語モデル(dLLMs)は自己回帰モデリングを超えた新しいパラダイムである。 dLLMは任意の位置で任意のトークンを並列に生成できるため、並列テストタイムスケーリングには大きな可能性がある。 トレーニングなしで推論能力を高める高速投票手法であるdVotingを導入する。
  論文  参考訳（メタデータ） (2026-02-12T16:35:05Z)
• vCache: Verified Semantic Prompt Caching [95.16654660556975]
  本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。 オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。 我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
  論文  参考訳（メタデータ） (2025-02-06T04:16:20Z)
• SpecDec++: Boosting Speculative Decoding via Adaptive Candidate Lengths [41.863092939498316]
  投機的復号化は、より小さくより高速なドラフトモデルを利用することで、ターゲットとする大言語モデルの推論遅延を低減する。 候補長Kの選択について検討し、マルコフ決定過程として定式化する。 この理論によって動機付けられたSpecDec++は、投機的復号法の拡張版で、ハエの候補長を適応的に決定する。
  論文  参考訳（メタデータ） (2024-05-30T05:49:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。