論文の概要: Answer Correction with Verifiable Rewards: A Gemma-Family Study of Multi-View Driving QA
- arxiv url: http://arxiv.org/abs/2611.00828v2
- Date: Tue, 03 Nov 2026 03:51:38 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:27:13.764005
- Title: Answer Correction with Verifiable Rewards: A Gemma-Family Study of Multi-View Driving QA
- Title（参考訳）: 逆行性検証による回答の補正:多視点運転QAに関する基礎的検討
- Abstract要約: トレーニング後のゲインは、変更した回答を反映したり、改善された回答抽出を反映することができる。
5,519の試験質問に対するゼロショットの診断は、効果的に混在し、統一され、密集したチェックポイントにまたがる。
最も強い制御された証拠は、マッチングハーネス Gemma-4-12B ベース/GRPO 対である。
- 参考スコア（独自算出の注目度）: 1.8352113484137627
- License:
- Abstract: Multi-camera driving question answering provides a discrete test of vision-language models, but post-training gains can reflect changed selected answers or improved answer extraction. We investigate this distinction within the Gemma model family using archived, task-linked WaymoQA evaluations. A zero-shot diagnostic on 5,519 test questions spans effective-small, mixture-of-experts, unified, and dense checkpoints, with serving differences disclosed rather than interpreted as architecture effects. The strongest controlled evidence is a matched-harness Gemma-4-12B base/GRPO pair: accuracy rises from 73.78% to 75.43%, a gain of 1.65 percentage points with a scene-cluster bootstrap interval of [+0.84, +2.41]. There are 215 improvements and 124 regressions; 213 improvements start from an extractable but incorrect base answer, and only two recover previously unextractable responses. Crossing correctness with extraction state shows why correct noncompliant outputs cannot be counted as prediction errors. Category counts reveal a critical safety asymmetry: routine perception gains (+5.93 pp) mask a regression in safety-critical hazard prediction (-1.82 pp), demonstrating that unweighted outcome rewards can trade off rare edge cases for aggregate accuracy. Reward saturation describes sampled training dynamics rather than an architectural ceiling. A separate archived Gemma-31B thinking comparison yields no detected average improvement, with uncertainty that does not establish equivalence. These results support a modest answer-selection gain for the recorded tuning configuration and a reproducible diagnostic accounting, without attributing corrected labels to specific grounding mechanisms or claiming superiority over matched supervised tuning.
- Abstract（参考訳）: マルチカメラ駆動型質問応答は、視覚言語モデルの離散的なテストを提供するが、学習後のゲインは、選択された回答を反映したり、回答の抽出を改善したりすることができる。
本稿では,Gemma モデルファミリーにおけるこの区別を,アーカイブされたタスクリンク WaymoQA 評価を用いて検討する。
5,519の試験質問に対するゼロショットの診断は、アーキテクチャ効果として解釈されるのではなく、効果的に小さく、混在し、統一され、そして密集したチェックポイントにまたがる。
最も強い制御された証拠は、一致したハーネスのGemma-4-12Bベース/GRPOペアであり、精度は73.78%から75.43%に上昇し、シーンクラスタブートストラップ間隔が[+0.84, +2.41]の1.65ポイントを獲得した。
215の改善と124のレグレッションがあり、213の改善は抽出できるが間違ったベース回答から始まり、以前は抽出できない応答を2つしか回復しない。
抽出状態との交差正しさは、正しい非準拠出力を予測誤差としてカウントできない理由を示している。
カテゴリーカウントは、重要な安全性の非対称性を明らかにしている: 定期的な知覚ゲイン(+5.93 pp)は、安全クリティカルなハザード予測(-1.82 pp)の回帰を隠蔽し、未加重結果の報酬が、希少なエッジケースから集計精度のためにトレードオフできることを示した。
Reward saturationは、アーキテクチャ天井ではなく、サンプルトレーニングのダイナミクスを記述している。
別々のアーカイブされたGemma-31Bの思考比較では、検出された平均的な改善は得られず、不確実性は等価性を確立しない。
これらの結果は、特定の接地機構に補正されたラベルを付与したり、一致した指導的チューニングよりも優劣を主張したりすることなく、記録されたチューニング構成と再現可能な診断会計のための控えめな回答選択ゲインをサポートする。
関連論文リスト
- PsyJev: Psychological Analysis via System-1 Judgment [45.29267139218238]
Web上での自己開示は、表現された経験の認識から症状関連情報の識別まで、多様な心理学的分析を支援する。
PsyJudgeBenchは6つの心理的領域に13の注釈付きデータセットと82の質問からなる。
PsyJevは,要求毎に指定された回答の分布を直接生成するシステム1モデルである。
論文 参考訳（メタデータ） (2026-10-27T06:03:37Z) - 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) - From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳（メタデータ） (2026-09-29T17:49:07Z) - Intrinsic Sequence-Likelihood Confidence in Retrieval-Dominated Extractive QA: Two Pre-Specified Negatives, and What They Do and Do Not Attribute [0.4310167974376404]
オープン言語モデルを微調整すると、自身の信頼度が誘引制御信号であるモデルが得られる。
我々は,実行前の基準下での両使用量を評価した。
検索だけで92-99.8%のベストケースの組み合わせ精度が回復する。
論文 参考訳（メタデータ） (2026-09-17T09:17:00Z) - MemToC: Benchmarking Memory-Tool Conflict Resolution in Large Language Models [49.47300047353726]
MemToCは、実行時ツールによるポストツール-リターン仲裁のベンチマークである。
MemToCは、542の質制御された事実質問から構築された6,504回の評価エピソードで構成されている。
オープンウェイトな7-9Bモデルでは、ツールが強く支配的なクローズドブックの回答を返す。
論文 参考訳（メタデータ） (2026-08-26T18:22:03Z) - Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。
構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。
RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
論文 参考訳（メタデータ） (2026-08-03T11:07:37Z) - CUSUM-Shaped Inference-Time Monitoring and Targeted Re-Decoding for Quantized Small Language Model Reasoning [0.6999740786886536]
MGT-Bは、事前サンプリングの不確かさと変性の特徴の重なり合う窓を、位置条件による経験的尾の確率にマップする。
ログしきい値h=10のマニュアル選択後に最初に観察された問題同一性に対して,その効果が持続するかどうかを検証した。
どちらの分析も確証がなく、実証的要因は有効な電子プロセスや電子検出器として確立されていない。
論文 参考訳（メタデータ） (2026-07-22T13:34:17Z) - When LLM Reward Design Fails: Diagnostic-Driven Refinement for Sparse Structured RL [10.399451281089318]
我々はMiniGridをコア評価として,MuJoCoを境界応力試験として用いたPPO訓練剤について検討した。
私たちの監査では、報酬の洪水とセマンティック/API誤解という、2つの主要なワンショット障害モードを見つけました。
本稿では,トレーニング診断と障害モード分類ガイドが報酬関数の修正を対象とする,診断駆動反復改善法を提案する。
論文 参考訳（メタデータ） (2026-05-27T17:57:43Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - SURE-RAG: Sufficiency and Uncertainty-Aware Evidence Verification for Selective Retrieval-Augmented Generation [6.604874054866016]
本稿では,証拠満足度がセットレベル特性であることを示す,透過的なアグリゲーションプロトコルSURE-RAGを提案する。
共有ペアレベルのクレームエビデンス検証器は、SURE-RAGが集約した局所的関係分布を解釈可能な応答レベル信号に生成する。
制御されたマルチホップベンチマークであるHotpotQA-RAG v3をアーティファクト・アウェア・プロトコルで評価した。
論文 参考訳（メタデータ） (2026-05-05T09:05:40Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z)
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。