論文の概要: LOCUS: Locate Once, Check Until Settled. Draft-and-Verify Visual Grounding with a Box Head and Coordinate-Token Verification
- arxiv url: http://arxiv.org/abs/2610.35053v1
- Date: Mon, 26 Oct 2026 09:01:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.803071
- Title: LOCUS: Locate Once, Check Until Settled. Draft-and-Verify Visual Grounding with a Box Head and Coordinate-Token Verification
- Title（参考訳）: LOCUS:一度場所を確認して、落ち着くまで確認する。ボックスヘッドとコーディネート・Tokenの検証によるドラフト・アンド・バリデーションの視覚的グラウンド
- Abstract要約: Locus氏は、ヘッドボックスを座標トークンとして記述し、共有イメージプレフィックス上でJacobiイテレーションによって同じバックボーンでチェックする。
厳密な答えは、vLLMのgreedy-decodingと同じ座標トークンと同じ重みで1.5倍高速になる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Vision-language models (VLMs) ground a referring expression in one of two ways. They decode the box as coordinate tokens, which is precise but takes one sequential step per token, or they regress it from a hidden state with a small head, which takes one step but loses accuracy at high IoU. The two fail differently: a head usually finds the right object but places its edges loosely, while coordinate tokens place edges precisely. We therefore use the regression head as a speculative drafter for the model's own coordinate tokens. Locus writes the head's box as coordinate tokens and checks them with the same backbone by Jacobi iteration over a shared image prefix. The fixed point is the model's greedy coordinate-token answer, reached in about 5.60 sequential passes on average instead of 18.46 decoding steps; head and verifier are one set of weights, trained jointly. On the 8 RefCOCO, RefCOCO+ and RefCOCOg splits, verification raises Locus-2B's Acc@0.9 from 54.87 for its own head to 59.13, and the one-pass head is ahead at Acc@0.5 of every published model with at most 3B parameters except Florence-2-L. Against Jag, the strongest open regression-head model, at its own size and training budget, Locus ties at Acc@0.5 and, with typical acceptance, gains +4.52 points at Acc@0.9, with paired significance tests. Exact answers come 1.5x faster than vLLM greedy-decoding the same coordinate tokens with the same weights; a pure regression head remains faster still.
- Abstract（参考訳）: 視覚言語モデル(VLM)は、参照表現を2つの方法の1つに定めている。
ボックスを座標トークンとしてデコードするが、これは正確だがトークンごとに1段階のシーケンシャルなステップを取るか、あるいは小さな頭で隠された状態から退避する。
頭部は通常正しい物体を見つけるが、エッジを緩く配置し、座標トークンはエッジを正確に配置する。
したがって、回帰ヘッドをモデル自身の座標トークンの投機的ドラフトとして使用する。
Locus氏は、ヘッドボックスを座標トークンとして記述し、共有イメージプレフィックス上でJacobiイテレーションによって同じバックボーンでチェックする。
固定点は、モデルのグリーディ座標整合解であり、18.46デコードステップではなく平均5.60シーケンシャルパスで到達する。
RefCOCO、RefCOCO+、RefCOCOgの8つの分割では、検証によってLocus-2BのAcc@0.9が54.87から59.13に上昇し、一方のパスヘッドはFlorence-2-Lを除く全ての発行モデルのAcc@0.5に先行している。
最強のオープンレグレッションヘッドモデルであるJagに対して、独自のサイズとトレーニング予算で、LocusはAcc@0.5で結びつき、典型的にはAcc@0.9で4.52ポイント獲得し、ペアの有意性テストを行う。
厳密な答えはvLLMのgreedy-decodingよりも1.5倍速く、同じ重みで同じ座標トークンを復号する。
関連論文リスト
- Trajectory-Triggered Sparse Collaborative Decoding [8.203270998896624]
本稿では,ほとんどのトークンを生成するドラフトモデルと,短い修正セグメントに対してのみターゲットモデルが呼び出されるスパース協調復号法について検討する。
局所的不確実性は、エントロピー、負の対数類似性、対数マージン、対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数対数不確実性である。
論文 参考訳（メタデータ） (2026-10-16T15:24:05Z) - Unlocking Token Rewards via Training-Free Reward Attribution [85.18171317447187]
本稿では,既存のディープ報酬モデルから直接トークンレベルの報酬信号を抽出する,極めて効率的なトレーニング不要な手法を提案する。
トークン埋め込みとヌルトークン埋め込みの差の内積への影響計算を単純化する一階述語Taylor近似を用いる。
トークンレベルの報酬により、標準的なRLアルゴリズムは、追加の報酬モデルトレーニングを必要とせずに、正確なクレジット割り当てを行うことができる。
論文 参考訳（メタデータ） (2026-10-13T16:53:27Z) - What Makes a Latent Space Shared? Direct and Recoverable Compatibility in Motion VAEs [0.20524609401792396]
共有潜在空間は、しばしば異なるスキーマからの表現を直接交換可能であると仮定されるが、パラメータ、次元性、あるいは前者は、対応するインスタンスがどのように潜在座標で表現されるかを決定することができない。
この仮定は、回復可能な対応、直接互換性、デコーダの再利用を融合させる。
論文 参考訳（メタデータ） (2026-10-12T20:35:20Z) - RIFT: Token Influence Follows the Path of Least Resistance [0.0]
アテンションロールアウトやアテンションフローのようなグラフベースのツールは、これを1つのフォワードパスから答える。
我々はデコーダの層を,コンダクタンスを注意重みとする因果ネットワークとみなす。
本稿では,最小抵抗の経路の直列抵抗でトークンをスコアリングするRIFTを提案する。
論文 参考訳（メタデータ） (2026-10-12T08:06:28Z) - What Does a Token Cost? A Mixture-of-Agents Measurement of Sufficient Per-Token Compute [10.440767626442737]
投機的復号化やモデルルーティングといった手法は、この計算の多くが不要であるという前提で構築されている。
我々は、Mixture-of-Agents (MoA)レンズを用いて、個々のトークンが実際に必要とする計算を測定する。
トークンの十分な計算量として成功する最小エージェントの推論コストを定義する。
論文 参考訳（メタデータ） (2026-10-01T21:11:41Z) - Token-Disentangled Latent Test-Time Scaling for Vision-Language Reasoning [76.50676105904442]
遅延テストタイムスケーリングは、推論中に隠れた状態を精錬することで推論を改善する。
既存のメソッドは通常、編集可能な潜在トークンすべてに単一のスカラー報酬を適用する。
Token-Disentangled Latent Test-Time Scalingは、潜在精錬トークンを認識できる推論時間フレームワークである。
論文 参考訳（メタデータ） (2026-09-28T14:10:01Z) - How Many Pixels Is a Digit Worth? Place-Aware Coordinate Entropy for GUI Agent Confidence Estimation [73.2163413577971]
GUIエージェントは、クリック座標をDigital-tokenシーケンスとして予測するが、標準テキスト-LLM信頼推定手法は、間違ったクリックから正しいクリックをランク付けする。
境界ボックスの正しさは、しばしば下位の桁よりも上位の桁の方が重要である。
これをPACE(Place-Aware Coordinate Entropy)と呼ぶ。
ScreenSpot-ProとScreenSpot-v2の固定スケールエージェント全体で、PACEはAUROCとすべてのプライマリ比較において選択的な精度で勝利する。
論文 参考訳（メタデータ） (2026-09-21T08:42:08Z) - Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。
本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。
8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
論文 参考訳（メタデータ） (2026-06-02T06:51:15Z) - CaTok: Taming Mean Flows for One-Dimensional Causal Image Tokenization [122.88484422855934]
本稿では,MeanFlowデコーダを備えた1次元因果画像トークンであるCaTokを紹介する。
時間間隔でトークンを選択することで、CaTokは高速なワンステップ生成と高忠実なマルチステップサンプリングの両方をサポートする因果1D表現を学ぶ。
実験により、CaTokはImageNet再構成の最先端の結果を達成し、0.75 FID、22.53 PSNR、0.674 SSIMに達した。
論文 参考訳（メタデータ） (2026-03-06T16:39:17Z) - Scaling Speculative Decoding with Lookahead Reasoning [11.349400331288257]
トークンレベルの投機的復号法(SD)は有効だが、その利点は秘められている。
並列性の第2段層を利用したLookahead Reasoningを開発した。
Lookahead Reasoningは、回答の品質を維持しながら、SDの1.4倍から2.1倍のスピードアップを改善する。
論文 参考訳（メタデータ） (2025-06-24T17:48:10Z) - VeriThinker: Learning to Verify Makes Reasoning Model Efficient [52.74493506816969]
大型推論モデルは、Chain-of-Thought (CoT)推論を用いて複雑なタスクで優れている。
過度に考える傾向は、必然的に長い推論連鎖に繋がる。
我々は,CoT圧縮の新しい手法であるVeriThinkerを紹介する。
論文 参考訳（メタデータ） (2025-05-23T14:17:56Z)
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。