#視覚推論関連記事

SLVR、MLLMの視覚推論精度を向上させる新フレームワーク

arXivは10月1日(現地時間)、マルチモーダル大規模言語モデル (MLLMs) が視覚推論を行う際に、言語的先行知識に過度に依存する問題に対処する新しいトレーニングフレームワーク「構造化潜在視覚推論 (SLVR)」に関する論文を発表した。SLVRは、明示的な思考連鎖 (CoT) と潜在推論のギャップを埋め、プランニング、グラウンディング、証拠選択、推論統合といった定型化された潜在段階にマルチモーダル推論を組織化する。

新フレームワーク「ATLAS」が視覚推論を効率化、機能トークンで課題解決

Ziyu Guo氏らは2026年5月14日(現地時間)、視覚推論における新フレームワーク「ATLAS」を提案した。これは、従来の画像直接生成に伴う高い計算コストやアーキテクチャの複雑さ、およびエージェント推論・潜在推論の限界に対処する。ATLASは単一のディスクリートな機能トークンを用いることで、エージェント操作と潜在視覚推論の両方を効率的に統合する。