論文の概要: AROMA: Adaptive Representation-Oriented Multimodal Actuation for Vision-Language Model Control
- arxiv url: http://arxiv.org/abs/2611.15041v1
- Date: Wed, 11 Nov 2026 05:06:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.045371
- Title: AROMA: Adaptive Representation-Oriented Multimodal Actuation for Vision-Language Model Control
- Title(参考訳): AROMA:視覚言語モデル制御のための適応表現指向マルチモーダルアクチュエータ
- Abstract要約: 我々は,凍結VLM制御フレームワークであるAROMAを紹介した。
因果的に検証されたクロスアテンションヘッドは、濃度感度の89.82%であるが、中央の活性化エネルギーの9.52%しか説明できない。
反復最小運動(MEA)はオラクル目標の81.25%に達し、凍った方向は15.18%に達する。
- 参考スコア(独自算出の注目度): 1.14219428942199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mechanistic localization does not by itself yield usable control: causal sensitivity may occupy little activation energy, an accurate local direction may fail at finite scale, and a reachable numeral target may be wrong. We introduce AROMA (Adaptive Representation-Oriented Multimodal Actuation), a frozen-VLM control framework separating where to intervene, which geometry and gain to use, how to reach a target, which target to pursue, and when to act. In Llama-3.2-11B-Vision-Instruct, four dimensions of a causally validated cross-attention head explain 89.82% of cardinality sensitivity but only 9.52% of median activation energy; magnitude-normalized causal subspace actuation converts this mismatch into finite control, improving exact-count accuracy on untouched procedural data by +8.00 pp. Iterative Minimal-Effort Actuation (MEA) reaches 81.25% of oracle targets versus 15.18% for a frozen direction under matched step budgets. With target and gate frozen before evaluation, targeted MEA improves the previous frozen policy from 34.444% to 38.730% on a new natural Stage-2 cohort (N=630; paired p=4.63e-7) and yields 65.741% versus 65.153% over all 7,992 examples while editing only 63 inputs. Prospective routing, replication across heads and models, and comparisons with attribution-steering baselines further characterize each stage, separating localization, actuation, reachability, target quality, and selective deployment as distinct control problems.
- Abstract(参考訳): 因果感度はほとんど活性化エネルギーを占有しておらず、正確な局所方向は有限スケールで失敗し、到達可能な数的目標が間違っている可能性がある。
本稿では,AROMA(Adaptive Representation-Oriented Multimodal Actuation)について紹介する。
Llama-3.2-11B-Vision-Instructでは、因果的に検証されたクロスアテンションヘッドの4次元は、濃度感度の89.82%であるが、中央の活性化エネルギーの9.52%しか説明していない。
反復最小運動(MEA)はオラクル目標の81.25%に達し、凍った方向は15.18%に達する。
目標とゲートの凍結により、ターゲットMEAは以前の凍結ポリシーを34.444%から38.730%に改善し(N=630、ペアのp=4.63e-7)、63個の入力のみを編集しながら、65.741%対65.153%となる。
プロジェクティブルーティング、ヘッドとモデル間のレプリケーション、および属性ステアリングベースラインとの比較は、各ステージをさらに特徴付け、ローカライゼーション、アクティベーション、到達性、ターゲット品質、選択的デプロイメントを異なる制御問題として分離する。
関連論文リスト
- VeriVLA: Adaptive Test-Time Verification for Flow-Based VLAs with Latent World Models [50.77784979595945]
トレーニング不要な2軸トリガを導入し,時間内変動とサンプル間のばらつきを測定した。
一度起動すると、JEPAベースの潜在世界モデルは、アクション条件付き将来の潜在状態を予測することによって、候補アクションチャンクをランク付けする。
提案手法は, 平均完了スコアを50.8%から65.5%に引き上げると同時に, トリガ決定毎のサンプリングと検証に326msを加算する。
論文 参考訳(メタデータ) (2026-10-15T14:34:44Z) - Storage Is Not Strategy: State-Conditioned Support Control for LLM Unlearning [23.660463189596257]
ローカライズされた大言語モデル(LLM)アンラーニング手法は、ローカライズ信号から小さなパラメータサブセットを選択し、最適化中にそれを固定し続ける。
我々は、実際の未学習更新の予測効果によって編集可能なグループをランク付けするインターベンションスコアを導入する。
次に、選択的動的介入再分類(DIR-R)を導入し、記述的プローブが比較を正当化するときにのみその部分集合を再検討する。
論文 参考訳(メタデータ) (2026-09-29T15:44:42Z) - LLaDA-PRM: A Bidirectional Step-Level Reasoning Evaluator [39.353990284573165]
MR-MATH-invalidでは88.8ステップF1、アウト・オブ・ディストリビューションMR-GSM8Kでは83.8ステップF1に達する8B双方向評価器であるPramを導入する。
prmはオンライン設定の不完全な推論トレースを評価する上でも有効である。
論文 参考訳(メタデータ) (2026-09-19T02:22:13Z) - Target-Independent Micro-Interventions for Predicting Training Response Across Language-Model Families [6.314493350744026]
ベンチマークスコアは、現在チェックポイントに何ができるかを記述しているが、次のトレーニングエピソードにどのように反応するかは定かではない。
同じチェックポイントから4つの短い、標準化された、ターゲット非依存のマイクロインターベンションを分岐することで、この欠落状態を測定する。
パルスブロックはフレキシブルな直接読み出しと構造保存演算子読み出しをサポートする。
論文 参考訳(メタデータ) (2026-09-08T11:54:09Z) - Delay-Aware Active Triangulation with Uncertainty-Driven Multi-Agent Reinforcement Learning for Counter-UAS [5.4271995156436965]
マルチエージェントアクティブな視覚三角測量により、移動オブザーバを制御可能なカメラで調整することにより、航空目標の正確な3次元位置決めが可能になる。
我々は,Counter-UASアプリケーションにおけるターゲットローカライゼーションのための遅延認識,不確実性駆動型マルチエージェント強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2026-07-07T07:58:13Z) - Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。
本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。
我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
論文 参考訳(メタデータ) (2026-05-12T17:11:17Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳(メタデータ) (2025-12-09T06:52:21Z)
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。