“GPT-4oは、両方のタスクで一貫して最高のスコアを達成し、行動認識で平均F1スコア0.756、精度0.799、感情認識でF1スコア0.712、精度0.773を記録しました。”
“”
“深層学習モデルの剪定の基本は知っています。しかし、より大きなモデルでそれをどのように行うのかわかりません。あなたの知識とリソースを共有していただければ、助かります。”
“DarkEQAは、制御された劣化の下で自己中心的な観察からの質問応答を評価することにより、知覚のボトルネックを分離し、帰属可能な堅牢性分析を可能にします。”
“RAIRは、最高のパフォーマンスを達成したGPT-5でさえも十分な課題を提示します。”
“LSREは、大規模VLMベースラインと同等のセマンティックリスク検出精度を達成し、大幅に早期のハザード予測を提供し、低い計算遅延を維持します。”
“SliceLensは最先端のパフォーマンスを達成し、FeSDでPrecision@10を0.42（0.73対0.31）向上させ、実行可能なモデル改善を促進する解釈可能なスライスを特定します。”
“HUMORは、推論の多様性を高めるために階層的、マルチパスのChain-of-Thought (CoT)を採用し、主観的なユーモアを捉えるためにペアワイズ報酬モデルを使用しています。”
“本論文は、「Semantic Lookout」を紹介しています。これは、カメラのみを使用し、候補が制限されたビジョン言語モデル（VLM）のフォールバック操作セレクターであり、継続的な人間の権限の下で、水上で有効で世界に固定された軌道から1つの慎重なアクション（または定点保持）を選択します。”
“LVLDriveは、シーン理解、メトリック空間認識、および信頼性の高い運転意思決定において、ビジョンのみの対応物よりも優れたパフォーマンスを達成しています。”
“SenseNova-MARSは、オープンソースの検索および微細な画像理解ベンチマークで最先端のパフォーマンスを達成しています。具体的には、検索指向のベンチマークにおいて、SenseNova-MARS-8BはMMSearchで67.84、HR-MMSearchで41.64を記録し、Gemini-3-FlashやGPT-5などの独自のモデルを上回っています。”
“この論文は、ロボット操作における大規模な具現化推論ベンチマークであるEmbodied Reasoning Intelligence Quotient（ERIQ）と、フローマッチングベースのアクショントークナイザーであるFACTを導入しています。”
“主要な発見は、サブゴール分解と無関係な前提のフィルタリングが最終的な問題解決の精度に決定的に影響を与える一方、Chain-of-Thoughtプロンプトが一部のタスクで予期せずパフォーマンスを低下させることを示しています。”
“この論文は、証拠トークンを導入して証拠グラウンディングを行い、タイムスタンプ表現に焦点を当てるだけでなく、イベントレベルの視覚的セマンティックキャプチャを強調しています。”
“MF-RSVLMは、リモートセンシング分類、画像キャプション、およびVQAタスクにおいて、最先端または非常に競争力のあるパフォーマンスを達成しています。”
“Hilbert-VLMモデルは、BraTS2021セグメンテーションベンチマークでDiceスコア82.35％を達成し、診断分類精度（ACC）は78.85％でした。”
“TWINでVLMを微調整すると、芸術、動物、植物、ランドマークなどの未見のドメインでも、微細な認識において顕著な改善が得られます。”
“出力形式に関する指示を含むデータセットで訓練されたLVLMは、そうでないモデルよりも正確に指示に従う傾向があります。”
“評価プロトコルは、平均精度、平均コスト、およびスループットを共同で測定し、正規化されたコストと精度の調和平均からランキングスコアを構築して、ルーター構成とコスト予算全体での比較を可能にします。”
“TV-RAGは、再トレーニングや微調整なしに、あらゆるLVLMに適用できる二重レベルの推論ルーチンを実現します。”
“CoFi-Decは、エンティティレベルとセマンティックレベルの両方の幻覚を大幅に削減し、既存のデコーディング戦略を上回っています。”
“この論文は、200万のQAペアを特徴とする包括的な命令チューニングデータセットSpatialMosaicと、6つのタスクにわたる100万のQAペアからなる、現実的で困難なシナリオ下でのマルチビュー空間推論を評価するための挑戦的なベンチマークSpatialMosaic-Benchを紹介しています。”
“ViLaCD-R1は、真のセマンティック変化認識と局在性を大幅に改善し、非セマンティックな変動を堅牢に抑制し、複雑な現実世界のシナリオで最先端の精度を達成します。”
“提案されたフレームワークは、画像キャプションとクロスモーダル検索を含むタスクにおいて、セマンティック理解の精度と計算効率を大幅に向上させます。”
“この論文は、プロンプト埋め込みに関してリプシッツ安定性を持つVLM誘導分類器の精度とキャリブレーション関数に対する有限サンプル均一収束境界を与えます。”
“SIDは、構造化された分析段階を使用して入力を分析し、コンテンツ（ワイヤーフレーム/スケルトン）とスタイル（視覚的物理学）をJSON形式で分離します。”
“MoVLRは、制御最適化とVLMフィードバックの反復的な相互作用を通じて報酬空間を反復的に探索し、制御ポリシーを物理的に協調した行動に合わせます。”
“MFTは、LoRAのバリアントや完全なファインチューニングさえも一貫して上回り、凍結されたバックボーンを変更することなく高いパフォーマンスを達成しています。”
“構造化された出力は構文的に有効である可能性がありますが、意味的には正しくない場合があります。スキーマ検証は構造的であり（幾何学的正確さではありません）、人物識別子は現在のプロンプト契約ではフレームローカルであり、インタラクティブな単一フレーム分析は、スキーマで強制されたJSONではなく、自由形式のテキストを返します。”
“Active Cognition-based Reasoning (ACR)モジュールは、認知タスクチェーンを介してターゲットの人間のような知覚を実行し、文脈的に関連するオブジェクトについて積極的に推論し、動的に更新されたOLTを通じてVLMの認知を拡張します。”
“ColaVLAは、オープンループとクローズドループの両方の設定で、優れた効率性と堅牢性を備えた最先端のパフォーマンスを達成しています。”
“BiPSはQwen2.5-VL-7Bを平均8.2%向上させ、未見のデータセットと画像タイプに対して強力なドメイン外一般化を示しています。”
“'ALEAHallu'フレームワークは、'Activate-Locate-Edit Adversarially'のパラダイムに従い、視覚的無視を最大化するために敵対的に調整されたプレフィックスを使用して、幻覚を起こしやすいパラメータクラスターを微調整します。”
“LVLM-Aided Visual Alignment (LVLM-VA)メソッドは、モデルの振る舞いを自然言語に変換し、人間のクラスレベルの仕様を画像レベルの批評にマッピングする双方向インターフェースを提供し、ドメインエキスパートとモデル間の効果的な相互作用を可能にします。”
“最先端のクローズドソースLVLMでさえ、著作権表示が提示されていても、著作権のあるコンテンツを認識し尊重することに大きな欠陥を示しています。”
“中間隠れ状態は、キャプションベースの表現よりも一貫して優れています。”
“DIORは、CLIPを含む既存のトレーニング不要のベースラインよりも優れた性能を発揮します。”
“これらの位置に敵対的摂動を集中させることで、グローバルな方法と同等の意味的劣化を、大幅に少ない予算で達成します。さらに重要なことに、複数の代表的なVLMにおいて、このような選択的攻撃は、良性の出力を35〜49％有害なものに変換し、より深刻な安全リスクを露呈します。”
“MovieNetにおいて、Scene-VLMは、以前の最先端手法と比較して+6 APと+13.7 F1の大幅な改善を達成しています。”
“このアーキテクチャは、候補出力を生成するために異種LLMおよびVLMエージェントのコンソーシアムを使用し、統合のための専用の推論エージェントと、説明可能性のための明示的なクロスモデル比較を使用します。”
“この論文は、低い概念の重複や、多くのスライドにおける関係トリプルのほぼゼロの合意など、顕著なモデル間の不一致を明らかにしています。”
“論文は、vision-languageモデルのファインチューニングに焦点を当てています。”
“...VL4Gazeでのトレーニングは、すべてのタスクにわたって大幅かつ一貫した改善をもたらし、視線理解能力を開発するためのターゲットを絞ったマルチタスク監督の重要性を強調しています。”
“適応型プリプロセッシングにより、画像ごとの推論時間が50％以上短縮されます”
“この論文はArXivから発信されており、研究論文である可能性を示唆しています。”
“LookPlanGraphはVLMグラフ拡張を利用しています。”
“VisRes Bench は、VLM の視覚的推論能力を評価するためのベンチマークです。”
“この論文はArXivから発信されており、プレプリントまたは研究発表であることを示唆しています。”
“「その中心となるのは、手動介入なしの、斬新な粗から細への自律的なデータ生成パイプラインです。」”
“”