画像生成AI報酬モデルの視覚的推論、データ中心で能力向上
arXiv cs.CVは11月12日(現地時間)、論文『Rethinking Visual Reasoning in Text-to-Image Reward Modeling』を公開した。同論文は、テキストから画像を生成するAIシステムにおける報酬モデルが、視覚的推論能力の低さという課題を抱えていると指摘。既存の報酬モデルは特定の視覚的推論評価で不十分な性能を示し、さらに強力なビジョン・言語基盤モデルからの選好ファインチューニングによってもこれらの能力が損なわれることが確認された。