論文の概要: ConceptARC at Scale: Studying Conceptual Understanding in Reasoning Models
- arxiv url: http://arxiv.org/abs/2611.06732v1
- Date: Wed, 04 Nov 2026 16:17:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.2011
- Title: ConceptARC at Scale: Studying Conceptual Understanding in Reasoning Models
- Title(参考訳): スケールにおける概念ARC:推論モデルにおける概念理解の研究
- Abstract要約: 大規模推論モデル(LRMs)は、挑戦的なベンチマークでうまく機能するが、概念的に関連する推論タスク全体にわたって一般的な抽象化を形成しているかどうかは不明だ。
我々は LRM と訓練されたモデルを評価し, 概念を確実に解き, 争うところを特徴付ける。
本結果は,モデルが多種多様なタスクにまたがって一般化する変換操作の安定な抽象化を形成することを示唆している。
- 参考スコア(独自算出の注目度): 34.59524878715953
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Large reasoning models (LRMs) perform well on challenging benchmarks, yet it remains unclear whether they form generalizable abstractions across conceptually related reasoning tasks. The Abstraction and Reasoning Corpus (ARC) provides a controlled testbed for studying abstraction, requiring solvers to infer transformation rules over two-dimensional grids from a small set of examples. While ARC evaluates rule abstraction within individual tasks, different tasks may share higher-level structure despite requiring different transformations$\unicode{x2014}$for example, several tasks may involve reasoning about objects contained within other objects. Benchmarks such as ConceptARC capture this structure by grouping ARC-style tasks into recurring spatial and semantic concepts, but they often contain only a few manually constructed tasks per concept. We introduce ConceptARC at Scale, a generator for creating thousands of ARC-style tasks targeting a specific concept. Using this generator, we construct ConceptARC-100, a dataset of 1,600 new, manually reviewed tasks, with 100 tasks for each of the 16 concepts defined by ConceptARC$\unicode{x2014}$ten times the size of the original benchmark. We evaluate a range of recent LRMs and models trained from scratch on ConceptARC-100 to characterize which concepts they solve reliably and where they struggle. We further analyze the models' internal representations and find clear semantic structure: task representations cluster according to the operations applied to objects, such as recoloring, removal, or translation, even when realized through substantially different rules and scenarios. Together, our results suggest that models form stable abstractions of transformation operations that generalize across diverse tasks.
- Abstract(参考訳): 大きな推論モデル(LRM)は、挑戦的なベンチマークでよく機能するが、それらが概念的に関連する推論タスクにまたがって一般化可能な抽象化を形成するかどうかは不明である。
Abstraction and Reasoning Corpus (ARC) は、抽象を研究するための制御されたテストベッドを提供し、小さな例から2次元グリッド上の変換規則を推論する必要がある。
ARCは個々のタスクにおけるルールの抽象化を評価するが、異なるタスクは異なる変換を必要とするにもかかわらず、より高いレベルの構造を共有することができる。
ConceptARCのようなベンチマークでは、ARCスタイルのタスクを繰り返し発生する空間的および意味的な概念にグループ化することで、この構造を捉えている。
本研究では,特定の概念をターゲットとしたARCスタイルのタスクを数千個作成するためのジェネレータであるConceptARC at Scaleを紹介する。
このジェネレータを用いて,ConceptARC-100を構築した。これは1,600の新たな手作業のデータセットで,ConceptARC$\unicode{x2014}$10倍の大きさで定義された16のコンセプトのそれぞれに100のタスクを割り当てる。
我々は,ConceptARC-100でスクラッチから学習した最近のLEMとモデルを評価し,どの概念を確実に解き、どこで苦労しているかを特徴付ける。
さらに、モデルの内部表現を分析し、明確な意味構造を見出す: タスク表現は、実質的に異なるルールやシナリオを通じて実現された場合でも、オブジェクトに適用される操作に従ってクラスタをクラスタ化する。
この結果から,モデルが多種多様なタスクにまたがって一般化する変換操作の安定な抽象化を形成することが示唆された。
関連論文リスト
- A Multi-Stage Rule-Chaining Framework for Compositional and Interpretable Cognitive Reasoning [0.0]
本稿では,記号的,構造的,概念的レベルで構成的推論を行う多段階ルールチェインフレームワークを提案する。
提案したアーキテクチャは、シンボリック推論と合成パターンをブリッジし、認知一般化に関する解釈可能な洞察を提供する。
論文 参考訳(メタデータ) (2026-09-09T15:24:42Z) - ARCTraj: A Dataset and Benchmark of Human Reasoning Trajectories for Abstract Problem Solving [5.7688835899861]
本稿では、複雑な視覚的タスクを通して人間の推論をモデル化するためのデータセットと方法論のフレームワークであるARCTrajを提案する。
ARCTrajは、人間が入力を出力に反復的に変換する方法をキャプチャする、時間的に順序付けられたオブジェクトレベルのアクションを記録することでギャップに対処する。
さらに、データ収集、アクション抽象化、マルコフ決定プロセス(MDP)の定式化、下流学習を含む統一推論パイプラインを定義する。
論文 参考訳(メタデータ) (2025-11-14T08:52:53Z) - RemoteReasoner: Towards Unifying Geospatial Reasoning Workflow [19.502882116487005]
リモートセンシング画像は、大きく、本質的に非構造的な空間データを提示する。
地理空間推論のための統合ワークフローであるRemoteReasonerを提案する。
RemoteReasonerは、複数の粒度推論タスクにわたる最先端(SOTA)パフォーマンスを達成する。
論文 参考訳(メタデータ) (2025-07-25T13:58:11Z) - DOCTR: Disentangled Object-Centric Transformer for Point Scene Understanding [7.470587868134298]
ポイントシーン理解は、現実世界のシーンポイントクラウドを処理する上で難しいタスクです。
最近の最先端の手法はまず各オブジェクトを分割し、次に異なるサブタスクの複数のステージで独立に処理する。
本稿では,オブジェクト中心表現を探索するDECTR(Disentangled Object-Centric TRansformer)を提案する。
論文 参考訳(メタデータ) (2024-03-25T05:22:34Z) - Neural Constraint Satisfaction: Hierarchical Abstraction for
Combinatorial Generalization in Object Rearrangement [75.9289887536165]
基礎となるエンティティを明らかにするための階層的抽象化手法を提案する。
本研究では,エージェントのモデルにおける実体の状態の介入と,環境中の物体に作用する状態の対応関係を学習する方法を示す。
この対応を利用して、オブジェクトの異なる数や構成に一般化する制御法を開発する。
論文 参考訳(メタデータ) (2023-03-20T18:19:36Z) - Universal Instance Perception as Object Discovery and Retrieval [90.96031157557806]
UNIは多様なインスタンス認識タスクを統一されたオブジェクト発見・検索パラダイムに再構成する。
入力プロンプトを変更するだけで、さまざまな種類のオブジェクトを柔軟に知覚することができる。
UNIは10のインスタンスレベルのタスクから20の挑戦的なベンチマークで優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-03-12T14:28:24Z) - Improving Cross-task Generalization of Unified Table-to-text Models with
Compositional Task Configurations [63.04466647849211]
メソッドは通常、タスク情報をエンコーダのプレフィックスとして単純なデータセット名でエンコードする。
本稿では,エンコーダがタスク間の一般化を改善するためのプロンプトセットであるコンポジションタスク構成を提案する。
これは、モデルがトレーニング中に異なるタスク間で共有知識をより良く学習できるだけでなく、新しい構成を構築することでモデルを制御できることを示している。
論文 参考訳(メタデータ) (2022-12-17T02:20:14Z) - Look-into-Object: Self-supervised Structure Modeling for Object
Recognition [71.68524003173219]
我々は,自己スーパービジョンを取り入れた「対象」(具体的かつ内在的に対象構造をモデル化する)を提案する。
認識バックボーンは、より堅牢な表現学習のために大幅に拡張可能であることを示す。
提案手法は汎用オブジェクト認識(ImageNet)や細粒度オブジェクト認識タスク(CUB, Cars, Aircraft)など,多数のベンチマークにおいて大きなパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-03-31T12:22:51Z)
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。