論文の概要: Where and Why is Grounded Reasoning Useful?

• arxiv url: http://arxiv.org/abs/2611.08485v1
• Date: Thu, 05 Nov 2026 18:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.632719
• Title: Where and Why is Grounded Reasoning Useful?
• Title（参考訳）: 接地推論はなぜ役に立つのか?
• Abstract要約: 接地推論は、複雑な視覚的推論問題を解決するための一般的な戦略である。 タスクが説明不能な参照を必要とする場合、根拠付き推論が最も有用であることを示す。 我々はBrickVisionという、説明不能なビジュアル参照を必要とする新しいベンチマークを紹介します。
• 参考スコア（独自算出の注目度）: 24.302129846474315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Grounded reasoning, where a model outputs text coordinates of relevant locations in chain-of-thought reasoning, is a common strategy for solving complex visual reasoning problems. However, the benefits and limitations of grounded reasoning are understudied. We study where and why grounded reasoning is most useful. To do so, we introduce a chain-of-thought analysis method to measure how much a model uses its outputted grounding in its thinking trace and perform a detailed ablation study of a grounded reasoning training recipe. We find that grounded reasoning improves counting but shows no significant gain over baselines without coordinate grounding across a wide range of spatial reasoning and perception benchmarks. Using several synthetic tasks, we show that grounded reasoning is most useful when a task requires undescribable references, which are visual concepts that are difficult to describe in language. However, we observe that many existing visual reasoning benchmarks are solvable with only describable text references. To close this gap, we introduce BrickVision, a new benchmark that requires undescribable visual references to solve.
• Abstract（参考訳）: モデルが関連する位置のテキスト座標をチェーンオブ思考推論で出力するグラウンドド推論は、複雑な視覚的推論問題を解決するための一般的な戦略である。 しかし、根拠付き推論の利点と限界は検討されている。 根拠的推論が最も有用である理由と理由について検討する。 そこで本研究では,提案手法を用いて,モデルが提案した思考軌跡のアウトプット・グラウンドをどの程度利用するかを測定し,グラウンドド・ライティング・トレーニング・レシピの詳細なアブレーション研究を行う。 その結果,測位精度は向上するが,様々な空間的推論と知覚のベンチマークに座標グラウンドを組まなければ,基準線よりも有意な利得は得られないことがわかった。 いくつかの合成課題を用いて、言語で説明が難しい視覚的概念である説明不能な参照を必要とするタスクにおいて、基礎的推論が最も有用であることを示す。 しかし、既存の視覚的推論ベンチマークの多くは、記述可能なテキスト参照だけで解決可能である。 このギャップを埋めるために、私たちはBrickVisionという、説明不能なビジュアル参照を必要とする新しいベンチマークを紹介します。

関連論文リスト

• Thinking with Visual Grounding [55.778136782175615]
  本稿では,各ステップで使用される視覚的エビデンスを明示的ポイントやボックスグラウンドで,モデルが自然言語思考をインターリーブする推論プロセスである視覚的グラウンドド・シンキングを紹介する。 この動作をトレーニングするために,正確な視覚的推論トレースを抽出するスケーラブルな合成パイプラインを構築した。 本稿では,回答正当性報酬と,生成したオブジェクト参照が正しい画像証拠と一致するか否かをスコアする密接なグラウンド化報酬を組み合わせたグラウンド化対応強化学習を提案する。
  論文  参考訳（メタデータ） (2026-06-15T02:28:34Z)
• SceneAlign: Aligning Multimodal Reasoning to Scene Graphs in Complex Visual Scenes [69.03114625064282]
  マルチモーダルな大きな言語モデルは、複雑な視覚シーンにおいて忠実な推論に苦しむことが多い。 既存の嗜好ベースのアプローチでは、モデルが視覚的グラウンドをバイパスするために言語事前を活用できるため、この課題に対処できない。 我々は,シーングラフを構造化視覚情報として活用し,制御可能な構造介入を行うフレームワークであるSceneAlignを提案する。
  論文  参考訳（メタデータ） (2026-01-09T07:40:39Z)
• Thinking Before You Speak: A Proactive Test-time Scaling Approach [54.8205006555199]
  emphThinking Before You Speak (TBYS)という名前の推論フレームワークとして、私たちのアイデアを実装しています。 インテリジェンス生成のためのコンテキスト内サンプルを自動的に収集・フィルタリングするパイプラインを設計する。 挑戦的な数学的データセットの実験は、TBYSの有効性を検証する。
  論文  参考訳（メタデータ） (2025-08-26T03:43:32Z)
• Thought Anchors: Which LLM Reasoning Steps Matter? [12.689309281941995]
  文レベルでの推論トレースの分析は、推論過程を理解するための有望なアプローチである、と我々は主張する。 本稿では,各文の対実的重要性を測定するブラックボックス手法を提案する。 文文文の因果関係を推論トレースで調べることで,モデルの振る舞いを把握できることを示す。
  論文  参考訳（メタデータ） (2025-06-23T21:28:45Z)
• Seeing is Not Reasoning: MVPBench for Graph-based Evaluation of Multi-path Visual Physical CoT [24.085953089267772]
  複雑な場面において,OpenAI o3 と GPT-4o が基本的な物理法則,空間的相互作用,因果的影響を把握できないことを示す。 我々は、視覚連鎖(CoT)レンズによる視覚的身体的推論を厳格に評価するベンチマークであるMVPBenchを紹介した。 最先端のMLLMでさえ、物理領域における視覚的推論精度の低下と画像テキストアライメントの弱さを示す。
  論文  参考訳（メタデータ） (2025-05-30T03:48:59Z)
• v1: Learning to Point Visual Tokens for Multimodal Grounded Reasoning [27.688428439248607]
  簡単なポイント・アンド・コピーアプローチによるアクティブな視覚的参照を可能にする軽量な拡張であるv1を紹介する。 これにより、モデルは関連するイメージパッチを特定し、埋め込みを推論ストリームにコピーすることができる。 我々のポインティング戦略では、MLLMはセマンティックな表現をキーとして直接イメージパッチを選択でき、知覚的証拠はモデルの推論と同じ空間に埋め込まれている。
  論文  参考訳（メタデータ） (2025-05-24T19:30:47Z)
• Implicit Chain of Thought Reasoning via Knowledge Distillation [58.80851216530288]
  思考推論ステップの連鎖を明示的に生成する代わりに、言語モデルの内部の隠れ状態を使用して暗黙の推論を行います。 このアプローチにより、明示的にチェーン・オブ・シントなしでは解決不可能なタスクを、非チェーン・オブ・シントに匹敵する速度で解決できることが分かりました。
  論文  参考訳（メタデータ） (2023-11-02T17:59:49Z)
• Object-Centric Diagnosis of Visual Reasoning [118.36750454795428]
  本稿では,地平とロバスト性に基づく視覚的推論の体系的対象中心の診断について述べる。 我々は,グラフ推論機械という診断モデルを開発した。 本モデルは、純粋に象徴的な視覚的表現を確率的シーングラフに置き換え、教師の強制訓練をビジュアル推論モジュールに適用する。
  論文  参考訳（メタデータ） (2020-12-21T18:59:28Z)

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。