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

• arxiv url: http://arxiv.org/abs/2610.33702v2
• Date: Tue, 27 Oct 2026 07:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.345044
• 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: System Oneモデルは、どのスクリーン要素をクリックし、どの製品を選択するかという一連の候補に対して、型付き決定で多くのステップを終了する。 アイリスは画像、テキスト、あるいは混成候補を認め、ジェヴァの決定モジュールを無傷で残した。 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37x、K48で191xが削減される。
• 参考スコア（独自算出の注目度）: 3.2634122554914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agents end many steps in a typed decision over a set of candidates: which screen element to click, which product to pick. System One models answer in one forward pass, and Jeva showed that four properties the setting demands - a "none of the above" probability, invariance to candidate order, scalability in the number of candidates, and reuse of candidate computation - follow from encoding the request and each candidate separately and letting a request state read a candidate memory. Jeva is text-only, and existing multimodal System One models (OneJev, Jev-Omni) put images in the request while candidates stay text in letter slots. This paper asks what happens to the four properties, and to accuracy, when the candidates themselves are images. Iris admits image, text, or mixed candidates and leaves Jeva's decision module untouched. On a visual-candidate benchmark built from Multimodal-Mind2Web (every candidate is the element's screenshot crop, K=16, three splits), independent encoding reaches 78.4/72.1/74.8% with a flip rate of exactly zero, while joint encoding (OneJev-4B fine-tuned on the same data) reaches 90.6/89.5/91.6% but changes its answer on 8-10% of records when the crops are reordered. Most of the gap is the candidate not seeing the request: a third design that encodes each candidate after the state - but never after another candidate - keeps order invariance exactly, shares the state pass through a forked cache, and reaches 92.1/87.0/90.2% at a third of OneJev's latency with a calibrated null probability (AUROC 0.93-0.97). Letting pooled candidates see each other (set attention, token-level reads, multi-vector memory) buys nothing, because the encoder maps visually distinct elements to vectors within cosine 0.999 of each other. Reusing image candidates across requests cuts latency 37x at K=256 and 191x at K=2048. Code: https://github.com/lllfx/Iris
• Abstract（参考訳）: エージェントは、候補のセットに対して型付けされた決定で多くのステップを終了する:どのスクリーン要素をクリックし、どの製品を選択するか。 System Oneモデルは1つの前方通過で応答し、Jeva氏は4つの特性として、設定要求 - 上記のうちの1つ" 確率、候補順の不変性、候補数のスケーラビリティ、および候補計算の再利用 - が、リクエストと各候補を別々にエンコードし、要求状態に候補メモリを読み込ませることから続くことを示した。 Jevaはテキストのみであり、既存のマルチモーダルシステムワンモデル(OneJev、Jev-Omni)は、候補が文字スロットにテキストを保持する間、リクエストにイメージを配置する。 本稿では,4つの特性に何が起こるのか,また,候補自体が画像である場合の精度を問う。 アイリスは画像、テキスト、あるいは混成候補を認め、ジェヴァの決定モジュールを無傷で残した。 Multimodal-Mind2Web(すべての候補が要素のスクリーンショット作物、K=16, 3分割)から構築されたビジュアル候補ベンチマークでは、独立符号化は78.4/72.1/74.8%に達し、フリップレートは正確に0であり、ジョイント符号化(OneJev-4Bは同一データで微調整されている)は90.6/89.5/91.6%に達するが、作物がリオーダーされたときの8-10%のレコードで答えが変わる。 状態の後、各候補をエンコードする第3の設計 - しかし、他の候補を追随しない - は、正確に順序の不変性を保ち、分岐キャッシュを通り、キャリブレーションされたヌル確率(AUROC 0.93-0.97)でOneJevのレイテンシの3分の1で92.1/87.0/90.2%に達する。 エンコーダは、視覚的に異なる要素をコサイン0.999内のベクトルにマッピングするので、プールされた候補同士(注意点、トークンレベル読み取り、マルチベクターメモリ)は、何も買わない。 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37x、K=2048で191xが削減される。 コード: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。