論文の概要: VisSearch-Bench: Evaluating Long Horizon Visual Search in Multimodal Agents

• arxiv url: http://arxiv.org/abs/2611.04894v1
• Date: Tue, 03 Nov 2026 13:40:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:24:22.063885
• Title: VisSearch-Bench: Evaluating Long Horizon Visual Search in Multimodal Agents
• Title（参考訳）: VisSearch-Bench:マルチモーダルエージェントにおける長期水平ビジュアル検索の評価
• Abstract要約: VisSearch-Benchは7つのメインドメインと25のメインドメインに204の人書きタスクがある。 各タスクは、参照回答、トレース可能なエビデンス、およびスコアリングルールを提供する。 16種類のマルチモーダルモデルにまたがって、最高のシステムは26.47%のタスクしか解決していない。
• 参考スコア（独自算出の注目度）: 36.15240707701914
• License:
• Abstract: Multimodal agents use web and image tools to answer questions beyond their internal knowledge. Some search tasks use images mainly to identify an initial entity, then rely on text retrieval. These tasks offer limited insight into how agents connect information across images, objects, and search steps. We therefore focus on visual context management. This involves organizing and using visual information and linking it to other findings during search. Visually intensive tasks require agents to combine object appearance, local details, or spatial relations with external information. We introduce VisSearch-Bench, with 204 human-written tasks across 7 main domains and 25 subdomains. It covers Set-wise Visual Search, Sequential Visual Search, Hybrid Wide-Deep Search, Competitive Visual Disambiguation, and Visual-Structure-Guided Search. Each task provides a reference answer, traceable evidence, and scoring rules. Accuracy measures complete task success, while Process Score measures the correctness and completeness of individual results and subquestion answers. Across 16 multimodal models, the best system fully solves only 26.47% of tasks, even with search tools. These results highlight the challenge of linking visual evidence with search results to produce complete answers.
• Abstract（参考訳）: マルチモーダルエージェントは、Webおよびイメージツールを使用して、内部知識以上の質問に答える。 一部の検索タスクは、主に初期エンティティを識別するために画像を使用し、その後、テキスト検索に依存する。 これらのタスクは、イメージ、オブジェクト、検索ステップ間でエージェントが情報を接続する方法についての限られた洞察を提供する。 したがって、視覚的コンテキスト管理に重点を置いている。 これには、視覚情報を整理して使用し、検索中に他の発見物にリンクすることが含まれる。 視覚的に集中的なタスクは、エージェントが外部情報とオブジェクトの外観、局所的詳細、空間的関係を組み合わせる必要がある。 VisSearch-Benchは7つのメインドメインと25のサブドメインに204のヒューマンライクなタスクを持つ。 セットワイドビジュアルサーチ、シークエンシャルビジュアルサーチ、ハイブリッドワイドディープサーチ、コンペティティブビジュアルディアンビゲーション、ビジュアルストラクチャガイドサーチを対象とする。 各タスクは、参照回答、トレース可能なエビデンス、およびスコアリングルールを提供する。 正確性はタスクの成功を完遂し、プロセススコアは個々の結果の正確性と完全性を計測し、要求の答えを導き出す。 16のマルチモーダルモデルにまたがって、最良のシステムは検索ツールでさえ、タスクの26.47%を完全に解決する。 これらの結果は,視覚的証拠と検索結果を結びつけて完全な回答を得るという課題を浮き彫りにしている。

関連論文リスト

• RACE: Learning Multimodal Search through Referential Abstraction and Compositional Evidence [11.116261393596146]
  マルチモーダル検索エージェントの訓練には、答えを決定するのに視覚的に接地された検索を必要とする。 本稿では,画像からターゲットへの依存性と,ターゲット固有の証拠から回答までを構成する,画像条件付きタスク合成フレームワーク RACE を提案する。
  論文  参考訳（メタデータ） (2026-10-20T15:33:24Z)
• WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search [104.75798763084424]
  大規模言語モデル(LLM)ベースのWeb検索エージェントは、情報検索を複雑で広範囲な検索と研究指向のタスクに変換する。 本稿では,タスクの分解と拡張を共同で構築するプログレッシブ・プログレッシブ・プログレッシブ・デリゲート・フレームワークであるWebSwarmを提案する。 WebSwarmは、ディープ・ワイド・インターリーブされたディープ・アンド・ワイド・タスクにおいて、シングルエージェントとマルチエージェントのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-07-09T16:28:49Z)
• Visual-Seeker: Towards Visual-Native Multimodal Agentic Search via Active Visual Reasoning [28.70926573516569]
  能動視覚推論による視覚ネイティブなマルチモーダルディープサーチエージェントであるVisual-Seekerを提案する。 我々のエージェントは精細な視覚的詳細に積極的に参加し、探索過程を通して動的に視覚的証拠を収集する。 実験は、5つの挑戦的マルチモーダル検索ベンチマークにおける最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-06-13T10:07:32Z)
• From Web to Pixels: Bringing Agentic Search into Visual Perception [25.410634873647187]
  我々は、視覚的対象を、外的事実、最近の出来事、ロングテールエンティティ、あるいはマルチホップ関係から最初に解決しなければならない、より実用的で難しいオープンワールドのケースについて研究する。 我々は、この課題をパーセプションディープリサーチとして形式化し、検証された証拠、知識集約的なクエリ、および3つのタスクビューを備えたオブジェクト指向ベンチマークであるWebEyeを紹介する。 実験の結果,Pixel-Searcherは3つのタスクビューすべてで最強のオープンソースパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-05-12T17:59:51Z)
• Vision-DeepResearch Benchmark: Rethinking Visual and Textual Search for Multimodal Large Language Models [79.77807330964576]
  Vision-DeepResearchシステムは複雑なビジュアルテキストのファクトフィンディングに検索エンジンを使用する。 既存のベンチマークはビジュアル検索中心ではない。 2,000のVQAインスタンスからなるVision-DeepResearchベンチマーク(VDR-Bench)を構築した。
  論文  参考訳（メタデータ） (2026-02-02T14:53:11Z)
• DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search [61.77858432092777]
  DeepMMSearch-R1は,オンデマンドでマルチターンWeb検索が可能な,最初のマルチモーダルな大規模言語モデルである。 DeepMMSearch-R1は、画像検索をより効果的にするために、入力画像の関連する作物に基づいてWeb検索を開始することができる。 我々は、アプローチの優位性を実証するために、知識集約型ベンチマークを幅広く実施する。
  論文  参考訳（メタデータ） (2025-10-14T17:59:58Z)
• Asking Multimodal Clarifying Questions in Mixed-Initiative Conversational Search [89.1772985740272]
  混合開始型会話検索システムでは、質問を明確にすることで、意図を単一のクエリで表現するのに苦労するユーザを支援する。 マルチモーダル情報が関係するシナリオでは、非テクスチャ情報を用いることで、明確化のプロセスを改善することができると仮定する。 質問を明確にする4k以上のマルチモーダルを含むMelonというデータセットを収集し、14k以上の画像で濃縮する。 クエリの明確化フェーズにおけるマルチモーダルコンテンツの重要性を理解するために,いくつかの解析を行った。
  論文  参考訳（メタデータ） (2024-02-12T16:04:01Z)
• A Visual Active Search Framework for Geospatial Exploration [36.31732056074638]
  多くの問題は、航空画像によって支援された地理空間探索の形式と見なすことができる。 我々は3つの重要な入力を持つ視覚的能動探索(VAS)フレームワークでこの問題をモデル化する。 完全注釈付き検索タスクの集合からメタ検索ポリシーを学習するVASのための強化学習手法を提案する。
  論文  参考訳（メタデータ） (2022-11-28T21:53:05Z)
• Exposing Query Identification for Search Transparency [69.06545074617685]
  本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。 本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
  論文  参考訳（メタデータ） (2021-10-14T20:19:27Z)

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。