Fugu-MT 論文翻訳(概要): REEL: Same Frames, Different Answers and Different Costs

論文の概要: REEL: Same Frames, Different Answers and Different Costs

arxiv url: http://arxiv.org/abs/2610.38158v1
Date: Wed, 28 Oct 2026 01:53:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-03 18:46:20.280881
Title: REEL: Same Frames, Different Answers and Different Costs
Title（参考訳）: ReEL: 同じフレーム、異なる回答、異なるコスト
Abstract要約: REELは、全く同じ観測フレームから構築された3つの保存された表現を比較する評価フレームワークである。各フレームは、ペア化された正しさの変化、累積GPU時間、ストレージサイズによって、フルリプロセッシング(Frame)と比較される。
参考スコア（独自算出の注目度）: 16.906178407001367
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Video understanding keeps moving toward longer recordings, and the longer a recording is, the more questions can be asked about it. But processing it again for every question does not scale, so many systems watch the video once, build a memory, and answer later questions from it. Yet what to remember is decided before anyone knows what will be asked, and whatever is left out cannot be recovered later. Moreover, whether the savings pay off is judged by token counts, which fall when the input gets shorter but not when the model reuses what it has already computed. We present REEL, an evaluation framework that compares three saved representations built from exactly the same observed frames, so that a change in answers can come only from what the system remembered. Text writes a short record of what happened, Visual keeps the encoder outputs, and Prefix State also keeps the language-model prefix. Each is compared with full reprocessing (Frames) by paired correctness changes, cumulative GPU time, and storage size. Across six vision-language models and two benchmarks, Text and Frames differ in correctness on 20\% to 29\% of questions, even when their mean accuracy is almost the same. By contrast, Visual and Prefix State stay much closer to Frames. With unlimited storage, Prefix State is the cheapest in total GPU time among memories that keep almost all of the answers Frames gets right, for every model on both benchmarks. The trade-off is storage: Prefix State keeps up to about 21 GiB per video, whereas Text needs only kilobytes. Reusing computation and discarding information both look like efficiency, but only the second removes evidence that later questions may need, and neither mean accuracy nor token count tells them apart. REEL makes that difference measurable for any system that answers many questions from one saved memory.
Abstract（参考訳）: ビデオの理解は長い録音に向かって進み続け、録音が長ければ長いほど、それについて多くの質問ができる。しかし、すべての質問に対して再度処理することはスケールしないので、多くのシステムはビデオを一度見たり、メモリを構築し、後で質問に答えたりする。しかし、何を思い出すかは、誰に尋ねられるかを知る前に決められる。さらに、貯金の支払いがトークン数によって判断されるかどうかも判断される。これは入力が短くなったときに発生するが、モデルが既に計算したものを再利用するときではない。本稿では, 全く同じフレームから構築された3つの保存表現を比較するための評価フレームワークREELについて述べる。 Textは、何が起きたかの短い記録を書き、Visualはエンコーダ出力を保持し、Prefix Stateは言語モデルプレフィックスも保持する。各フレームは、ペア化された正しさの変化、累積GPU時間、ストレージサイズによって、フルリプロセッシング(Frame)と比較される。 6つの視覚言語モデルと2つのベンチマークのうち、テキストとフレームは、平均精度がほぼ同じである場合でも、20倍から29倍の質問で正確性が異なる。対照的に、VisualとPrefix StateはFramesにずっと近いままです。無制限のストレージで、Prefix Stateは、両方のベンチマークのすべてのモデルで、Framesが正しい答えのほとんどを保っているメモリの中で、最も安価なGPU時間である。 Prefix Stateは1ビデオあたり21ギバイト、Textは1キロバイトしか必要としない。計算の再利用と情報の破棄はどちらも効率のように見えるが、後続の質問が必要とする証拠を除去するのは2回目のみであり、平均精度もトークン数もそれらを区別しない。 REELは、保存したメモリから多くの質問に答えるシステムに対して、その差を測定することができる。

関連論文リスト

Keepsake: Selective Spatial Memory for Long-Horizon Video Generation [57.166020875486474]
ロングホライゾンカメラ制御ビデオ生成は、シーンの一貫性を維持するために永続メモリに依存している。既存のシステムは、この一貫性を達成するための2つの戦略に従う。固定容量空間記憶のためのオンライントレーニングフリーコントローラであるKeepsakeを紹介する。
論文参考訳（メタデータ） (2026-10-05T16:02:50Z)
Sprout: Building Dynamic Memory While Reasoning for Agentic Video Understanding [20.212135389736456]
長いビデオ理解は、マルチモーダルな大言語モデルのコンテキスト制限を克服するために、ビデオメモリに依存している。既存のメソッドはビルドテーマ推論パイプラインに従っている: メモリはビデオ全体に対してオフラインで構築され、静的ソースとして推論される。 Sproutは、推論中にメモリを構築するエージェントフレームワークであり、質問に答えると詳細なノードが芽生えるテンポラリなツリーである。
論文参考訳（メタデータ） (2026-09-28T16:01:59Z)
Caption-once, Frames-on-Demand: Visual-Need Routing for Budget-Aware Agentic Long Video Understanding [59.773752487686444]
エッジデバイスに対する長いビデオ理解は、厳格な計算と帯域幅の予算の下で何時間ものコンテンツを引き起こす必要がある。予算対応のエッジクラウドエージェントフレームワークであるCaption-once, Frames-onDemandを提案する。長時間ビデオベンチマークの実験では、オンラインビジュアル処理を大幅に削減しながら、高い精度と効率のトレードオフを示す。
論文参考訳（メタデータ） (2026-09-10T17:53:59Z)
Select, Compress, Reinvest: A Controlled Study of Visual-Token Allocation in Long-Video MLLMs [0.0]
長ビデオ言語モデルと公開セレクタを比較した。我々は、選択、空間圧縮、貯蓄の再投資を利用する。これらの比較は、紙をまたいでではなく、1つの制御されたハーネス内で行う必要がある理由を示している。
論文参考訳（メタデータ） (2026-09-03T13:20:48Z)
What It Costs to Compose, Rebuild, and Correct Precomputed Memory [0.0]
言語モデルは、あらかじめ計算されたメモリ、モデルが保存した素材の読み出しから答えることができる。本論文は、その実践が正しさと失敗する条件をどこに保存するかを図示する。
論文参考訳（メタデータ） (2026-08-31T11:49:42Z)
Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
論文参考訳（メタデータ） (2026-06-08T17:54:10Z)
MemoryCard: Topic-Aware Multi-Modal Clue Compression for Long-Video Question Answering [54.54526361917178]
MemoryCardは長いビデオを自己完結型メモリカードに整理する。その結果、MemoryCardは、同等の視覚的な予算の下で、長時間ビデオのQAパフォーマンスを継続的に改善することを示した。
論文参考訳（メタデータ） (2026-06-04T09:23:31Z)
Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
論文参考訳（メタデータ） (2026-05-08T15:40:40Z)
Learning a Condensed Frame for Memory-Efficient Video Class-Incremental Learning [41.514250287733354]
本稿では,メモリ効率のよいビデオクラス増分学習手法であるFrameMakerを提案する。 FrameMakerは20%のメモリしか消費せず、最近の先進的なメソッドよりも優れたパフォーマンスを実現することができることを示す。同じメモリ消費条件下では、FrameMakerは既存の最先端技術よりも、説得力のあるマージンで大幅に優れています。
論文参考訳（メタデータ） (2022-11-02T02:37:20Z)
Recurrent Dynamic Embedding for Video Object Segmentation [54.52527157232795]
一定サイズのメモリバンクを構築するためにRDE(Recurrent Dynamic Embedding)を提案する。本稿では, SAM を長時間の動画でより堅牢にするため, トレーニング段階での無バイアス誘導損失を提案する。また、メモリバンクの異なる品質のマスクの埋め込みをネットワークが修復できるように、新たな自己補正戦略を設計する。
論文参考訳（メタデータ） (2022-05-08T02:24:43Z)

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。