論文の概要: Seeing the Options: What Should a Visual Candidate See?

• arxiv url: http://arxiv.org/abs/2610.33702v3
• Date: Mon, 02 Nov 2026 04:09:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:44.608927
• Title: Seeing the Options: What Should a Visual Candidate See?
• Title（参考訳）: オプションを見る:ビジュアル候補は何を見るべきか?
• Abstract要約: シングルパス決定モデルは、リクエストとすべての候補を1つのシーケンスとしてエンコードするか、または、各候補を単独でエンコードする。 共同エンコーダの利点は、リクエストを見る候補者から、エンコーダがコードされている間にお互いを見る候補者からである。 符号化された要求の分岐キャッシュから各候補を継続すると、独立符号化が共同符号化に負ける12〜17点のうち11〜13が回復する。
• 参考スコア（独自算出の注目度）: 3.2634122554914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agents often choose among candidates that are images: elements of a screenshot, product photos, charts. A single-pass decision model either encodes the request and all candidates as one sequence, making its answer depend on candidate order, or encodes each candidate alone, which keeps order invariance and reusable encodings but hides the request from the candidate. We ask where the joint encoder's advantage comes from: from candidates seeing the request, or from candidates seeing each other while they are encoded. With one backbone and the same fine-tuning steps on screenshot crops of Multimodal-Mind2Web, the answer is mostly the request. Continuing each candidate from a forked cache of the encoded request recovers 11 to 13 of the 12 to 17 points that independent encoding loses to joint encoding, at the price of cross-request reuse, and we prove that order invariance stays exact whenever candidates never see each other. A joint encoder retrained with its candidates isolated from one another during encoding loses 1.1 and 0.4 ranking points in one paired run (0.7 and 0.3 against the mean of five joint runs), and permutation-equivariant interactions among candidates, over pooled vectors or inside the encoder, gain nothing beyond continued training. At a matched abstention operating point the state-conditioned model is 0.6 and 1.0 points below the joint encoder (mean of four runs) with a flip rate of zero, against 8-10% for the joint encoder; on AndroidControl crops (three and five runs) it is 2.5 to 4 ranking points below. Finally, the abstention threshold drifts: the choice term of the loss ignores the score level, and the coverage term pins it only weakly once positives saturate; a quantile threshold aligns operating points.
• Abstract（参考訳）: エージェントは、スクリーンショットの要素、製品写真、チャートなど、イメージの候補を選択することが多い。 単一パス決定モデルは、要求とすべての候補を1つのシーケンスとしてエンコードし、その答えを候補順序に依存するか、あるいは各候補のみをエンコードする。 共同エンコーダの利点は、リクエストを見る候補者から、エンコーダがコードされている間にお互いを見る候補者からである。 1つのバックボーンと、Multimodal-Mind2Webのスクリーンショットのトリミングと同じ微調整のステップで、答えはおもにリクエストだ。 符号化された要求の分岐キャッシュから各候補を継続すると、独立符号化が共同符号化に負ける12から17のポイントのうち11から13が、相互検索再利用の代償で回復し、候補同士が決して会わない場合に、順番の不分散が正確に維持されることが証明される。 符号化中に候補を分離して再訓練したジョイントエンコーダは、1対のランで1.1と0.4のランクポイントを失う(5つのジョイントランの平均に対して0.7と0.3)。 一致した停止動作ポイントでは、状態条件付きモデルがジョイントエンコーダ(平均4ラン)の下の0.6と1.0ポイント、ジョイントエンコーダの8-10%、AndroidControlの作物(3ランと5ラン)では2.5から4ポイントである。 損失の選択項はスコアレベルを無視し、カバレッジ項は正が飽和すると弱め、量子しきい値は操作点を整列する。

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。