論文の概要: Where Do Reported Long-Video QA Gains Come From? A Controlled Audit of Frame Selection, Evidence Injection, and Expert Routing
- arxiv url: http://arxiv.org/abs/2611.07329v1
- Date: Thu, 05 Nov 2026 02:12:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.492249
- Title: Where Do Reported Long-Video QA Gains Come From? A Controlled Audit of Frame Selection, Evidence Injection, and Expert Routing
- Title（参考訳）: 長期的なQAの伸びはどこから来るのか? フレーム選択、エビデンス・インジェクション、エキスパート・ルーティングの制御された監査
- Abstract要約: 長ビデオ質問応答は通常、フレーム選択として研究される。
私たちは、この選択を2つの選択肢から分離するコントロールされた監査であるVideoRouteAuditを紹介します。
バックボーン、フレーム予算、復号化、プロンプト、グレーダーを1回に1回ずつ変更しながら保持する。
- 参考スコア（独自算出の注目度）: 1.1947714868715738
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-video question answering is usually studied as frame selection: which few frames should a vision-language model see? We introduce VideoRouteAudit, a controlled audit that separates this choice from two alternatives, injecting non-visual evidence and routing to another answering model. It holds the backbone, frame budget, decoding, prompt and grader fixed while varying one decision at a time. On the full Video-MME long bucket (n=900, K=8), no tested selector significantly improves over uniform sampling. The largest selection-only estimate is +1.9 pt (95% CI [-1.2,+5.0]) and our cascade is +1.2 pt [-1.7,+4.1]; all are equivalent to uniform within +/-5 pt. The same contrasts are unstable at the n=200 subset scale commonly used: three of four are up to 3.8x larger, one reverses sign, and resampled 200-item subsets reverse the full-bucket effect's sign in 35.8% of draws. The audit also corrects our own first results. The anomaly-domain "+ASR" arms injected no text, so the pooled +4.7 pt gain was selection plus a development prefix. With transcripts, ASR lowers XD-Violence accuracy by 10.0 pt when appended after the question and not at all when placed before it, and lowers UCF-Crime by 13.0 pt either way; on Video-MME, placing it first adds about 4 pt (7 on Qwen2-VL) to uniform sampling and to the cascade alike (post hoc, unadjusted). Swapping the answering model gives the largest contrast (+15.1 pt on MUSIC-AVQA, +33.3 pt on its worst type), but the same audio-visual expert with its soundtrack silenced keeps 92% of the gain (69% with a mismatched soundtrack), so the contrast is mostly a model swap. Code, per-item predictions and scripts that recompute every statistic are available at https://github.com/mikeslin-ir/long-video-qa-audit.
- Abstract（参考訳）: 長ビデオ質問応答は通常、フレーム選択として研究される: 視覚言語モデルで見るべきフレームはどれか?
我々は、この選択を2つの選択肢から分離し、非視覚的エビデンスを注入し、別の回答モデルにルーティングする制御された監査であるVideoRouteAuditを紹介した。
バックボーン、フレーム予算、復号化、プロンプト、グレーダーを1回に1回ずつ変更しながら保持する。
フルビデオ-MMEロングバケット(n=900,K=8)では、テストセレクタが均一サンプリングよりも大幅に改善されない。
最大選択のみの見積もりは +1.9 pt (95% CI [-1.2,+5.0]) であり、カスケードは +1.2 pt [-1.7,+4.1] である。
同じコントラストはn=200サブセットスケールで不安定であり、4つのうち3つが最大3.8倍大きく、1つの逆符号であり、再サンプリングされた200イテムサブセットは35.8%のドローでフルバケット効果の符号を反転させる。
監査は私たちの最初の結果も修正します。
異常ドメイン "+ASR" の腕はテキストを注入しなかったため、+4.7 ptのゲインは選択と開発プレフィックスであった。
ASRはXD-Violenceの精度をXD-Violenceの精度を10.0 ptに下げるが、いずれにせよUCF-Crimeを13.0 pt下げる。
応答モデルのスワップは最大のコントラスト(MUSIC-AVQAでは+15.1 pt、最悪のタイプでは+33.3 pt)を与えるが、サウンドトラックを沈黙させた同じオーディオ・ビジュアルの専門家は92%の利得(マッチしないサウンドトラックでは69%)を保っているため、コントラストは主にモデルスワップである。
コード、イテムごとの予測、すべての統計を再現するスクリプトはhttps://github.com/mikeslin-ir/long-video-qa-audit.comで入手できる。
関連論文リスト
- Selecting or Solving? What Best-of-N Verification Delivers in Video Reasoning [58.485210155828106]
ベスト・オブ・Nの選択: 固定されたモデルからいくつかのチェーン・オブ・シークレットの回答をサンプリングし、第2のモデルにビデオを再視聴して1つを選ぶ。
選択インクリメント(SI)選択精度は、候補と同一の検証器の精度を抑える。
Video-Holmesでは、両者は単一の候補者のプールでバラバラにされ、弱い検証者が候補者から+19.3ポイント獲得するが、投票より7.1ポイント下回っている。
論文 参考訳（メタデータ） (2026-10-31T00:54:03Z) - Channel Selection for Mixture-of-Experts Decoding Needs No Calibration Data [51.56484100374058]
Mixture-of-Experts (MoE)モデルは、小さなバッチサイズでインタラクティブデコーディング中にメモリからルート付きエクスプロイト重みをロードすることでボトルネックとなる。
チャネル選択はキャリブレーションデータを必要としないことを示す。
3つのスケッチでチャンネルを画面表示し、低ランクマップでスキップされたチャンネルを復元する。
論文 参考訳（メタデータ） (2026-10-27T15:11:35Z) - Fast Models, Slow Evidence: A Paired and Self-Audited Evaluation of System-1 Decision Models for LLM Agent Harnesses [6.778374627376906]
System-1決定モデルは、クラス確率で単一のフォワードパスでそのような質問に答える。
オープンウェイト (Laya) モデルとホスト (Jev) System-1 モデルとのペア評価を行った。
論文 参考訳（メタデータ） (2026-10-01T05:57:14Z) - Look Where It Counts: A Free, Label-Free Visual Evidence Signal for Fine-Grained Vision-Language Reasoning [0.0]
我々は,モデルが出力に割り当てる対向的エビデンスギャップ,対数的対数的比を形式化する。
単一ビューでラベルなしの基準を用いて、バウンディングボックス、トレーニング、ラベルのない応答を持つ領域を見つける。
目標の4.4から5.1倍の精度でローカライズし、精度を70%から85%に引き上げる。
論文 参考訳（メタデータ） (2026-09-21T08:09:18Z) - Causal Localization of the Refusal Direction in Audio Language Models [51.56484100374058]
大きな音声言語モデルは、音声フロントエンドをテキスト言語モデルにアタッチする。
そのようなモデルが有害な音声要求を拒否した場合、その拒絶はフロントエンドによって運ばれるか、あるいはテキストLMから受け継がれているか?
我々は,各モデルの音声-LMインタフェースと試験されたLM残層において,良性のプロンプトから有害な方向を分離し,その成分を吸収し,結果として得られたモデルの最初の拒絶マージンの変化を測定する。
論文 参考訳（メタデータ） (2026-09-06T17:29:43Z) - Sampling headroom is not selection gain: a compute-value audit of test-time scaling for video world models [34.20907662027954]
テストタイムスケーリングは、より多くの計算がより良い候補を生成する場合にのみ生成を改善することができ、システムはそれらを確実に識別できる。
我々は,余分なサンプリングが機会を生み出すかどうかを問う連続的なフレームワークであるCompute-Value Audit(CVA)を紹介する。
192の物理IQのシーンでは、プールを4から16の候補に拡張すると、オラクルの品質は+9.23 IQ向上する。
12のアダプティブ・ディープス・ポリシーは、均一な計算よりも優れておらず、測定されたエントリー料金の42-69%しか回復しない。
論文 参考訳（メタデータ） (2026-09-06T06:11:15Z) - Counterfactual Sensitivity Is Not Repairability: Auditing Replay Probes for Video Evidence [2.3982445219832678]
我々は,一致するSHAMとDESTROYのリプレイにおける応答変化を比較するブラックボックス・カウンティファクト・プローブであるCARVEを紹介する。
3つの独立したk=3が凍結されたVideoExplorerスタイルのエージェント上で実行され、DeSTROYはSHAMよりも29.3パーセントの割合で回答を変更し、大きな再現可能な集合効果をもたらす。
k=3では、CARVEは1,258のLVBench質問のうち538点を選択し、精度を3.26ポイント改善する。
論文 参考訳（メタデータ） (2026-08-16T11:20:52Z) - Qwen-MusicAVQA-7B: A Multimodal Model for Music Audio-Visual QA [0.0]
音楽音声・視覚的質問応答において,軽量な代替手段が有効であることを示す。
Qwen-MusicAVQA-7Bは、学習された線形射影を通して凍結したウィスパーエンコーダをQwen2-VL-7B-Instructに接続する。
論文 参考訳（メタデータ） (2026-08-11T18:28:30Z) - Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
私たちは検出器を構築し、その証拠として属性マップを添付します。
私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。
属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
論文 参考訳（メタデータ） (2026-07-31T16:07:05Z) - Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。
ラベルを適用すれば依存性認定正当性(D-CC)が得られる
4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
論文 参考訳（メタデータ） (2026-07-29T15:55:31Z)
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。