論文の概要: MTA-Zero: Self-Improving Multimodal Deep Search via Online QA-Solver Co-training

• arxiv url: http://arxiv.org/abs/2610.33799v1
• Date: Sat, 24 Oct 2026 16:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.448075
• Title: MTA-Zero: Self-Improving Multimodal Deep Search via Online QA-Solver Co-training
• Title（参考訳）: MTA-Zero:オンラインQA-Solverコトレーニングによるマルチモーダルディープ検索の自己改善
• Abstract要約: マルチモーダル・大規模言語モデル (MLLM) は強力な視覚的推論法となっているが、オープンワールドのマルチステップ検索では限定的である。 自己改善型マルチモーダルディープサーチエージェントのためのオンラインマルチモーダルQA-ZerorコトレーニングフレームワークであるMTA-Zeroを提案する。
• 参考スコア（独自算出の注目度）: 42.5825928985365
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multimodal large language models (MLLMs) have become strong visual reasoners, yet remain limited in open-world, multi-step search that requires grounding images, selecting tools, and integrating web evidence. Existing approaches typically construct and filter fixed offline corpora whose question distributions cannot adapt as the target deep-search agent improves. Building on MTA-Agent's image-grounded QA construction, we present MTA-Zero, an online multimodal QA-Solver co-training framework for self-improving multimodal deep-search agents that requires no precomputed multi-hop corpus. Starting from image-grounded VQA seed contexts, a trainable QA Generator retrieves evidence and constructs verified multi-hop questions online. A separate deep-search Solver then selects tools, gathers evidence, and answers the generated questions. To focus generation on the Solver's learning frontier, we derive a Goldilocks reward for the QA Generator from the Solver's group-wise rollout success rate: questions solved by all rollouts or by none receive zero reward, whereas questions near the current frontier are favored. We optimize the two policies independently with GRPO, without sharing parameters or gradients. Across six multimodal deep-search benchmarks, MTA-Zero improves a Qwen3-VL-8B Solver from 36.91% to 51.58% mean accuracy and achieves performance comparable to GPT-5 under the same agent workflow. The same framework also improves a newer Qwen3.6-27B Solver by 10.82 points. These results show that verified online question generation provides a policy-specific curriculum for continually improving multimodal deep-search agents.
• Abstract（参考訳）: マルチモーダルな大言語モデル(MLLM)は強力な視覚的推論者となっているが、画像のグラウンド化、ツールの選択、Webエビデンスの統合などを必要とする、オープンワールドのマルチステップ検索では依然として限られている。 既存の手法は、ターゲットのディープサーチエージェントが改善するにつれて、質問分布が適応できない固定されたオフラインコーパスを構築し、フィルタするのが一般的である。 MTA-AgentのイメージグラウンドドQA構築に基づいて構築されたMTA-Zeroは、事前計算されたマルチホップコーパスを必要としない自己改善型マルチモーダルディープサーチエージェントのためのオンラインマルチモーダルQA-Solverコトレーニングフレームワークである。 イメージグラウンドのVQAシードコンテキストから始まるトレーニング可能なQAジェネレータは、エビデンスを取得し、オンライン上で検証済みのマルチホップ質問を構築する。 次に別のDeep-search Solverがツールを選択し、エビデンスを集め、生成された質問に答える。 ソルバーの学習フロンティアに焦点を合わせるため、Solverのグループのロールアウト成功率からQAジェネレータに対するGoldilocks報酬を導出する。 パラメータや勾配を共有することなく、GRPOと独立して2つのポリシーを最適化する。 6つのマルチモーダルディープ検索ベンチマークで、MTA-ZeroはQwen3-VL-8Bソルバーを平均精度36.91%から51.58%に改善し、同じエージェントワークフローでGPT-5に匹敵するパフォーマンスを達成する。 同じフレームワークで新しいQwen3.6-27Bソルバーも10.82ポイント向上した。 これらの結果から,検証されたオンライン質問生成は,マルチモーダルディープサーチエージェントを継続的に改善するためのポリシー固有のカリキュラムを提供することが示された。

関連論文リスト

• SPADER: Step-wise Peer Advantage with Diversity-Aware Exploration Rewards for Multi-Answer Question Answering [28.469701396085952]
  大規模言語モデルは、パラメトリック知識を超えた情報を取得するツール拡張エージェントとして、ますます多くデプロイされている。 マルチアンサーQAにおける長期ツール利用のための強化学習フレームワークであるSPADERを提案する。 SPADERは一般に、リコールとF1全体の改善を、プロンプトベースのエージェント、結果管理型RL手法、最近のステップレベルの監視手法よりも促進することを示す。
  論文  参考訳（メタデータ） (2026-05-30T07:47:42Z)
• OpenSearch-VL: An Open Recipe for Frontier Multimodal Search Agents [50.79529228477821]
  エージェント強化学習を用いたフロンティアマルチモーダルディープサーチエージェントの完全オープンソースレシピであるOpenSearch-VLを紹介した。 まず、ウィキペディアパスのサンプリング、ファジィエンティティの書き換え、ソース・アンカーの視覚的グラウンドリングを通じて、高品質なトレーニングデータを構築するための専用パイプラインをキュレートした。 さらに,テキスト検索,画像検索,OCR,収穫,研削,超解像,視点補正を統一する多様なツール環境を設計する。
  論文  参考訳（メタデータ） (2026-05-06T17:50:38Z)
• MTA-Agent: An Open Recipe for Multimodal Deep Search Agents [51.180338423927985]
  MLLM(Multi-hop large language model)は、視覚的理解において強力な能力を示しているが、複雑な多段階推論において制限されている。 証拠ベースQA合成のためのマルチホップツール拡張エージェント(MTA-Agent)を提案する。 MTA-Agentは、視覚的およびテキストソースから証拠を検索し、検証するためのツールとそのパラメータを自動的に選択する。
  論文  参考訳（メタデータ） (2026-04-07T19:01:45Z)
• PRISM: Agentic Retrieval with LLMs for Multi-Hop Question Answering [10.971852280240357]
  本稿では,大規模言語モデル(LLM)を構造化ループで活用し,高い精度で関連する証拠を検索するエージェント検索システムを提案する。 我々のフレームワークは3つの専門的なエージェントで構成されている: マルチホップ質問をサブクエストに分解する質問アナライザ、サブクエスト毎に最も関連性の高いコンテキストを特定するセレクタ、そして、欠けている証拠をもたらすアダである。
  論文  参考訳（メタデータ） (2025-10-16T04:02:29Z)
• QA-Dragon: Query-Aware Dynamic RAG System for Knowledge-Intensive Visual Question Answering [27.567923098020586]
  本稿では,知識集約型VQAのためのクエリ対応動的RAGシステムQA-Dragonを提案する。 テキストと画像検索エージェントをハイブリッド化することにより,マルチモーダル,マルチターン,マルチホップ推論をサポートする。 KDDカップ2025におけるメタCRAG-MMチャレンジの枠組みを評価する。
  論文  参考訳（メタデータ） (2025-08-07T09:32:49Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• Multi-LLM QA with Embodied Exploration [55.581423861790945]
  未知環境における質問応答におけるマルチエンボディードLEMエクスプローラ(MELE)の利用について検討する。 複数のLSMベースのエージェントが独立して家庭用環境に関する質問を探索し、回答する。 各問合せに対して1つの最終回答を生成するために,異なるアグリゲーション手法を解析する。
  論文  参考訳（メタデータ） (2024-06-16T12:46:40Z)

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。