論文「ReasonUni: Reasoning-Augmented Reconstruction Advances Unified Multimodal Models」は10月14日(現地時間)、統一マルチモーダルモデル（UMMs）向けに新たな推論拡張再構築フレームワーク「ReasonUni」を提案した。このフレームワークは、Image-to-text（I2T）理解とtext-to-image（T2I）生成の双対タスクにおいて、既存の知覚中心手法が持つ構造、意図、変換に関する推論への限定的な監視という課題を克服する。
提案されたReasonUniは、既存の知覚を超えた結合を可能にする推論拡張再構築ポストトレーニングフレームワークとして機能する。このフレームワークは、オリジナルの画像と編集指示が与えられた際に、UMMが最初に何とどのように編集するかを推論し、目標とする状態を記述する。その上で、この理解出力に基づいて、対応するターゲット画像を生成する。
両モジュールを共同で最適化するため、本研究はツリー構造の強化学習手法であるTreeGRPOを導入した。TreeGRPOは、複数の推論パスと、各パスごとに複数の候補画像をサンプリングすることで、視覚的な報酬を集約する。これにより、統一された目的の下で両モジュールが効率的に更新される。
複数のベンチマークを用いた広範な実験により、ReasonUniは理解と生成の両方において一貫した性能向上を示すことが実証された。この結果は、推論拡張再構築が統一マルチモーダルモデルに真の相互利益をもたらす可能性を強く示唆している。これにより、モデルは単なる知覚処理を超え、より高度な推論能力を獲得し、複雑なマルチモーダルタスクにおいて人間のような理解と生成を実現するための新たな道を開く。
参考: arXiv cs.CV — 2026年10月16日 13:00 (JST)
原文ハイライト"ReasonUni: Reasoning-Augmented Reconstruction Advances Unified Multimodal Models"