論文の概要: Does the Outfit Change the Price? Context Halo in Vision-Language Model Valuation of an Identical Low-Cost Necklace

• arxiv url: http://arxiv.org/abs/2610.34591v1
• Date: Sun, 25 Oct 2026 21:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.642289
• Title: Does the Outfit Change the Price? Context Halo in Vision-Language Model Valuation of an Identical Low-Cost Necklace
• Title（参考訳）: 利益は価格を変えるか? : 仮想低コストネックレスの視覚言語モデル評価における文脈ハロー
• Abstract要約: オンラインで2.43米ドルで購入した大きめの金色のチェーンネックレスは4つの方法で撮影された。 同じネックレスの価格が1.9から3.3倍になった。 テキストのみのタスクで、言葉で設定を記述すると、6つのモデルで2.2から3.9のフォーマル・ツー・ヤード比が生成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A chunky gold-tone chain necklace bought online for 2.43 USD was photographed four ways: worn with formal attire against a wood-panelled wall, worn at a party, worn with casual clothing in a recycling yard, and laid flat with no person present. We asked six frontier language models to estimate its price in 1,164 independent and sequential API sessions (4,604 logged rows) and compared estimates across settings. Among the four models that answered image prompts, the same necklace was priced 1.9 to 3.3 times higher in the formal photograph than in the flat-lay (all p < 0.01). Against the yard photograph, the ratio ranged from 1.23 (Grok 4.5, not significant) to 3.57 (Kimi K3), with Claude Fable 5 at 3.32. A text-only version of the task, in which the setting is described in words, produced formal-to-yard ratios of 2.2 to 3.9 in all six models, so the effect does not require pixels. Flat-lay estimates themselves were 7.8 to 18.7 times the receipt price, so part of any headline "outfit multiplier" computed against the receipt is baseline overestimate, not a context effect. A single instruction to ignore clothing and setting significantly reduced the effect in one model (ratio of ratios 0.77, 95% CI 0.65 to 0.91) and not detectably in the others; telling the model the photo came from a company website or a personal account changed nothing significant. Asked afterward whether a different outfit would have changed their number, Claude Fable 5 said yes in 24 of 24 sessions, GPT-5.6 in 69%, and GPT-4o in 18%, while GPT-4o also refused 79% of image estimation prompts. The study isolates a mechanism with one object and one wearer at about 10 sessions per model and condition; we outline the replication needed next, with multiple objects and a human benchmark. Data, code, and raw outputs are released.
• Abstract（参考訳）: 2.43米ドルでオンラインで購入された大きめの金色のチェーンネックレスは、木製パネルの壁にフォーマルな服装で着用し、パーティーで着用し、リサイクルヤードでカジュアルな服装で着用し、誰もいない平らな横たわる4つの方法で撮影された。 私たちは6つのフロンティア言語モデルに対して、1,164の独立およびシーケンシャルAPIセッション(4,604のログ付き行)で価格を見積り、設定間での見積もりを比較しました。 画像のプロンプトに答えた4つのモデルのうち、同じネックレスはフラットレイの1.9～3.3倍の価格だった(全てp < 0.01)。 庭の写真に対して、比率は1.23(Grok 4.5、重要ではない)から3.57(Kimi K3)、クロード・ファイブル5(Claude Fable 5)は3.32である。 テキストのみのタスクのバージョンでは、6つのモデルすべてで2.2から3.9の形式対ヤード比が生成されるため、その効果はピクセルを必要としない。 フラットレイ推定自体がレシート価格の7.8～18.7倍なので、レシートに対して計算された見出しの「アウトフィット乗数」の一部は、コンテキスト効果ではなく、ベースライン過大評価である。 衣服を無視し、設定する単一の指示は、1つのモデル(比率0.77, 95% CI 0.65 - 0.91)における効果を著しく低減し、他のモデルでは検出されなかった。 クロード・ファブル5は24セッション中24セッションでイエス、GPT-5.6セッションで69%、GPT-4oセッションで18%、GPT-4oは79%のイメージ推定プロンプトも拒否した。 この研究は、1つのオブジェクトと1人の着用者がモデルと条件あたり約10セッションでメカニズムを分離し、次に必要なレプリケーションの概要を、複数のオブジェクトと人間のベンチマークで示す。 データ、コード、および生の出力がリリースされる。

関連論文リスト

• ReGain: Restoring Subject Fidelity in Personalization on Synthetic Images [9.887967163951862]
  テキストから画像への拡散モデルは、DreamBoothによるいくつかの画像の微調整によって被写体にパーソナライズされる。 このような合成画像の微調整は被写体忠実度を劣化させ,過飽和色と高頻度ディテールを生じさせることを示す。 ReGainはサンプリング時に適用されたトレーニング不要な修正で、ガイダンスの各周波数帯域がどれだけ膨らませられているかを測定する。
  論文  参考訳（メタデータ） (2026-09-30T00:04:42Z)
• ChatGPT Images 2.5 in the Wild: A Launch-Period Dataset and Detector Evaluation [12.307366979757065]
  あるツールは、その公称を維持しながら、その基盤となるジェネレータを変更することができ、オンライン投稿からバージョン属性を曖昧にする。 この問題をChatGPT Images 2.5のローンチ後に研究する。 凍結したコレクションには、8つのソースにわたる2,440のポストから3,478のイメージが含まれています。
  論文  参考訳（メタデータ） (2026-09-14T06:25:39Z)
• FISICA: A Deployed Service for Plantar-Pressure and Posture Assessment with Ontology-Grounded Recommendation [1.4186847433696756]
  FISICA(フィシカ)は、実運用で運用されているボディアセスメントおよびレコメンデーションサービスである。 一般APIは0.023秒の中央値で応答し、植物圧解析は0.45秒、推奨値は2.16秒から2.26秒、規則に基づく部分は1秒以下である。
  論文  参考訳（メタデータ） (2026-08-29T15:39:22Z)
• The Effect of Emotional Context on Large Language Models' Endorsement of Premature Decisions: Comparing Emotional Vulnerability Across Six Commercial Models [0.18899300124593646]
  感情表現がモデル支持を増加させるかどうかを検証する。 6つのモデルのうち5つは、最上位のフラッグシップ機であるジェミニ3.1 ProとGPT-5.5を含む大きな感情効果を示した。 情緒的文脈は,最上位のフラッグシップモデルにおいてもLLM症状を増加させることを示す。
  論文  参考訳（メタデータ） (2026-07-15T13:33:56Z)
• CAVEWOMAN: How Large Language Models Behave Under Linguistic Input and Output Compression [77.41779716950387]
  本稿では,2チャンネル評価プロトコルであるCavewomanについて述べる。 我々は5つのデータセットの8つのモデルを5つの還元レベルで評価し、両方のチャネルは同じ項目で測定した。
  論文  参考訳（メタデータ） (2026-06-23T02:56:48Z)
• Words Worth a Thousand Pictures: Measuring and Understanding Perceptual Variability in Text-to-Image Generation [58.77994391566484]
  W1KPは、画像の集合における可変性の人間の校正尺度である。 最高の知覚距離は、9つの基準線を最大18ポイント精度で上回る。 実際のプロンプトの56の言語的特徴を分析し、プロンプトの長さ、CLIP埋め込みノルム、具体性、単語感覚が最も変動に影響を及ぼすことを示した。
  論文  参考訳（メタデータ） (2024-06-12T17:59:27Z)
• Sigmoid Loss for Language Image Pre-Training [93.91385557929604]
  本稿では,Language-Image Pre-Training (SigLIP) のための単純なペアワイズ・シグモイド・ロスを提案する。 シグモイド損失は画像とテキストのペアのみに作用し、正規化のためにペアの類似点のグローバルなビューを必要としない。 Locked-image Tuningと4つのTPUv4チップの組み合わせで、84.5%のImageNetゼロショット精度を2日間で達成するSigLiTモデルを訓練する。
  論文  参考訳（メタデータ） (2023-03-27T15:53:01Z)
• Apparel-invariant Feature Learning for Apparel-changed Person Re-identification [70.16040194572406]
  ほとんどのパブリックなReIDデータセットは、人の外観がほとんど変化しない短時間のウィンドウで収集される。 ショッピングモールのような現実世界の応用では、同じ人の服装が変化し、異なる人が同様の服を着ることがある。 着替えなどの場合や、類似の服を着ている場合などにおいて、アパレル不変の人物表現を学ぶことは極めて重要である。
  論文  参考訳（メタデータ） (2020-08-14T03:49:14Z)

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。