論文の概要: DoubleTake: Focused Verification of Visual Evidence for Long-Document Understanding
- arxiv url: http://arxiv.org/abs/2611.17853v1
- Date: Fri, 13 Nov 2026 07:39:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.327367
- Title: DoubleTake: Focused Verification of Visual Evidence for Long-Document Understanding
- Title(参考訳): DoubleTake: 長期文書理解のための視覚的証拠の焦点検証
- Abstract要約: 視覚的エビデンスを集中検証するためのトレーニングフリーフレームワークであるDoubleTakeを紹介する。
DoubleTakeは4つのベンチマークで評価された手法の中で、最も高い総合的精度を達成している。
- 参考スコア(独自算出の注目度): 48.6444750979061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In long-document question answering, a vision-language model can answer incorrectly even when the retrieved pages contain sufficient evidence. Rereading those pages with the original question gives the model little guidance about which fact to check. We introduce DoubleTake, a training-free framework for focused verification of visual evidence. An initial reading produces a candidate answer and a separate evidence record that guides retrieval for a second reading. A planner compares the two candidates and their supporting evidence to formulate a factual question. A verifier answers it from the source images without seeing either candidate or evidence record, and a reasoner uses this observation to resolve the original question. With a frozen Qwen3-VL-8B-Instruct backbone, DoubleTake achieves the highest overall accuracy among the evaluated methods on each of four benchmarks. With the same pages and number of model calls, asking a focused factual question yields higher accuracy on all four benchmarks than asking the original question again. Our code is available at https://github.com/small-code-cat/double_take.
- Abstract(参考訳): 長期文書質問応答では、検索したページが十分な証拠を含んでいる場合でも、視覚言語モデルが誤って答えることができる。
これらのページを元の質問で読むと、どの事実をチェックするべきかのガイダンスはほとんど得られない。
視覚的エビデンスを集中検証するためのトレーニングフリーフレームワークであるDoubleTakeを紹介する。
最初の読み込みは、第2の読み込みの検索を案内する候補回答と別個のエビデンス記録を生成する。
プランナーは2人の候補者とその支持する証拠を比較し、事実的質問を定式化する。
検証者は、候補またはエビデンスの記録を見ることなく、元の画像から答える。
凍結したQwen3-VL-8B-Instructバックボーンにより、DoubleTakeは4つのベンチマークで評価された手法の中で最も高い総合的精度を達成する。
同じページとモデルコールの数で、焦点を絞った事実を問うと、元の質問を繰り返すよりも4つのベンチマークで高い精度が得られる。
私たちのコードはhttps://github.com/small-code-cat/double_takeで利用可能です。
関連論文リスト
- TwinPast: Benchmarking Historical Evidence Use in Streaming Video Understanding with Evidence Contrastive Video Pairs [18.957780082846085]
最近のフレームは、サンプリングされた過去の質問の32%で十分であり、モデルもまた、質問とオプションだけで、多くの質問に正しく答えている。
我々は、5つの歴史的タスクにまたがる350の人間レビュービデオペアを用いて、回答が歴史の変化に正しく従うかどうかをテストするために、TwinPastを紹介した。
論文 参考訳(メタデータ) (2026-10-30T16:31:23Z) - Pix2Evidence: A Multimodal RAG System for Text and Visual Evidence [12.008359688622248]
視覚的に豊かな文書に対するRAGは、関連する内容と、回答を支持する証拠の両方を見つけなければならない。
Pix2EvidenceはマルチモーダルなRAGシステムで、各スクリーンショットタイルと利用可能な文字を1つの融合画像-テキスト表現にエンコードする。
我々はこれらの記述を用いて検索者を適応させ、回答生成の前に検索した候補を再評価する。
論文 参考訳(メタデータ) (2026-10-30T06:49:30Z) - VisualFLIP: Do Predictions Depend on Task-Critical Visual Evidence in Multimodal Reasoning? [79.44137632338062]
マルチモーダルな大規模言語モデルが視覚的推論問題に正しく答える場合、その予測はタスククリティカルな視覚的証拠によって実際に支持されているか?
VisualFLIPは1,374枚の画像が基数,属性,空間,論理的タスクにまたがって同一の問合せペアとして配置されたベンチマークである。
ペアの両面を解く必要がある24個のMLLMと、少なくとも一方の面を解くモデルが両方の画像に対して同じ空でない答えを繰り返す頻度を測定するCR(Collapse Rate)を評価した。
論文 参考訳(メタデータ) (2026-06-05T22:06:07Z) - Cite Pretrain: Retrieval-Free Knowledge Attribution for Large Language Models [44.31597857713689]
最初の段階でActive Indexingを導入し、一般化可能なソースアンコールバインディングを作成します。
Qwen-2.5-7B&3Bの実験は、アクティブインデックスがパッシブインデックスのベースラインを一貫して上回っていることを示している。
内部の引用は、モデルを検索ノイズに対してより堅牢にすることで、外部の引用を補完する。
論文 参考訳(メタデータ) (2025-06-21T04:48:05Z) - Open-domain Question Answering via Chain of Reasoning over Heterogeneous
Knowledge [82.5582220249183]
異種知識ソース間のシングル/マルチホップ質問に応答する新しいオープンドメイン質問応答(ODQA)フレームワークを提案する。
分離された証拠を収集するためにレトリバーにのみ依存する従来の方法とは異なり、我々の仲介者は検索された集合に対する推論の連鎖を実行する。
本システムは,2つのODQAデータセットであるOTT-QAとNQに対して,Wikipediaの表や節に対する競合性能を実現する。
論文 参考訳(メタデータ) (2022-10-22T03:21:32Z) - Read before Generate! Faithful Long Form Question Answering with Machine
Reading [77.17898499652306]
LFQA(Long-form Question answering)は、ある質問に対する段落長の回答を生成することを目的としている。
生成と機械読取を協調的にモデル化する新しいエンドツーエンドフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-01T10:41:17Z) - Distantly-Supervised Evidence Retrieval Enables Question Answering
without Evidence Annotation [19.551623461082617]
オープンドメインの質問応答は、大きなコーパスから取得した証拠に基づいて質問に答える。
本稿では,大規模コーパスからモデルが証拠の発見を学べるかどうかを,モデル学習のための回答ラベルからのみ遠ざかって検討する。
我々は,最新のモデルから証拠を交互に発見し,最も可能性の高い証拠を学習するよう促すことにより,弱いレトリバーよりも反復的に改善する新しいアプローチ(DistDR)を提案する。
論文 参考訳(メタデータ) (2021-10-10T20:01:27Z) - Mitigating False-Negative Contexts in Multi-document QuestionAnswering
with Retrieval Marginalization [29.797379277423143]
応答不能なクエリを適切に処理するset-valued検索の新しいパラメータ化を開発している。
トレーニング中にこの集合を限界化することで、モデルが注釈付き支持証拠の偽陰性を緩和できることを示す。
IIRCでは,代替文脈の余分化による連成モデリングによりモデル性能が5.5F1ポイント向上し,50.6F1の新たな最先端性能が得られることを示す。
論文 参考訳(メタデータ) (2021-03-22T23:44:35Z) - Document Modeling with Graph Attention Networks for Multi-grained
Machine Reading Comprehension [127.3341842928421]
Natural Questionsは、新しい挑戦的な機械読解ベンチマークである。
解答は2つあり、長解(典型的には1段落)と短解(長解の内にある1つ以上の実体)である。
既存の方法は、これらの2つのサブタスクをトレーニング中に個別に扱い、依存関係を無視します。
本稿では,文書を階層的にモデル化する多層機械読解フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-12T14:20:09Z)
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。