論文「ViRA: Toward Ultra-High-Resolution Visual Agents via Cross-Input Relative Policy Optimization」は11月16日(現地時間)、arXiv cs.CVを通じて超高解像度画像に対応するビジュアルエージェント「ViRA (バイラ)」に関する研究を発表しました。既存のエージェントは証拠を参照せずに常識から回答することがあり、従来の強化学習 (RL) ではこの問題を修正できない点が指摘されていました。

この研究では、Cross-Input Relative Policy Optimization (CrossRPO) と呼ばれる新しい訓練手法を提案しています。CrossRPOは、証拠部分のみが異なる複数の画像から構成される「コントラストセット」を用いてエージェントを訓練し、証拠に基づいた正確な回答を促進します。

CrossRPOは、コントラストセット全体を正しく解決した場合に報酬を与えることで、常識からの推測に基づく回答を強化しないことが証明されました。訓練用データセット「ViRA-Train」と評価用データセット「ViRA-Bench」のコントラストセットは、21メガピクセルから120メガピクセルの画像中の小さなオブジェクトを編集して作成されました。さらに、編集痕跡を除外するために実際の変更を加えた追加のセット「ViRA-Bench-Real」も撮影されています。

この手法を用いて、Visual Reasoning Agentsである「ViRA-9B」と「ViRA-27B」の2つのモデルが訓練されました。それぞれのモデルは約3,500アイテムのViRA-Trainで訓練されています。CrossRPOは、最大解像度のViRA-Benchにおいて63.3%のセット精度を達成し、これはGRPOの59.3%と比較して高い精度です。

ViRA-9Bは、そのサイズのオープンモデルの中で全てのベンチマークにおいて最も高精度を示しました。また、ViRA-27BはClaude Haiku 5.5とGPT-6-Lunaのそれぞれの最高思考レベルを、ほとんどのベンチマークで上回る結果を示しています。この成果は、超高解像度ビジュアルエージェントの訓練においてCrossRPOが有効であることを示唆しています。


参考: arXiv cs.CV — 2026年11月17日 03:59 (JST)

原文ハイライト

"Toward Ultra-High-Resolution Visual Agents via Cross-Input Relative Policy Optimization"

この記事をシェア
X はてブ LinkedIn