科学論文リポジトリのarXiv cs.CVは10月30日(現地時間)、統一マルチモーダルモデル（UMMs）における画像生成の課題を解決する、新しいフレームワーク「Latent Reasoning framework in Continuous space（LARC）」に関する論文を公開しました。このフレームワークは、言語ベースの連鎖的思考推論と画像生成間のモダリティ不一致を解消し、テキスト・ツー・画像生成の品質、プロンプト追従性、構成的忠実度を改善するとされています。
統一マルチモーダルモデル（UMMs）は、多様なマルチモーダル理解・生成タスクで顕著な成功を収めてきました。しかし、言語ベースの連鎖的思考推論を画像生成に効果的に活用する点において、課題が残されていました。論文著者らは、既存の推論強化型UMMsが、大規模言語モデル（LLM）で見られるようなテスト時スケーリングやきめ細かい制御性を継承できない点を指摘しています。
この課題は、推論が離散トークン空間で行われるのに対し、画像生成が連続空間で動作するという、根本的なモダリティ不一致に起因すると説明されています。
このギャップを埋めるため、研究チームはLatent Reasoning framework in Continuous space（LARC）を導入しました。LARCは連続隠れ状態上で推論を行うことで、トークンレベルのボトルネックを緩和するアプローチです。そのトレーニングフレームワークは二つの段階で構成されます。第一段階はCurriculum Supervised Fine-Tuning（SFT）で、トークンレベルの推論を潜在推論に段階的に変換します。第二段階は「情報ゲイン強化学習（RL）」で、グランドトゥルース（正解データ）なしで潜在推論を自己進化させるとされています。
多様なテキスト・ツー・画像生成ベンチマークでの実験により、LARCは生成品質、プロンプト追従性、構成的忠実度を一貫して改善することが示されました。特にGenEvalベンチマークでは、LARCはBAGELと比較して7%pの向上を達成し、最先端の性能を示しています。また、LARCはテスト時スケーリングの明確な挙動を示し、並列および逐次テスト時スケーリング戦略の両方でトークンベースの生成を上回る結果となりました。本論文はNeurIPS 2026の会議録として公開されています。
参考: arXiv cs.CV (アーカイブ) — 2026年10月31日 02:59 (JST)