Tag
6 件の関連記事
Yu Zhou (ユー・ジョウ)氏らの研究チームは2026年10月19日(現地時間)、マルチモーダル大規模言語モデル (MLLMs) における視覚的推論能力を向上させる「OpenVLHarness」を発表した。同技術は、能力層と永続的マルチモーダルメモリを中心に構成され、異種ツールからの証拠取得、検査、合成を可能にする。22のベンチマークでの評価では、ツールを使用しないベースラインと比較して平均スコアを9.7〜12.6ポイント向上させた。
Hedi Zisling 氏らは2026年10月15日(現地時間)、時系列データに対する言語ベースの理解と推論を可能にする時系列言語モデル（TSLM）の設計原則として、相補的表現（complementary representations）を導入した新たな研究論文を発表した。既存のTSLMが単一の表現を用いるのに対し、同氏らのモデルは二つの視覚的表現を組み合わせることで、下流タスクにおける予測と推論で大きな性能向上を達成した。
学術論文リポジトリのarXiv cs.CVは2026年10月8日(現地時間)、高ダイナミックな実世界ストリームにおける動画大規模言語モデル（VLM）の知覚能力を評価する新たなベンチマーク「FastBench」に関する論文を公開した。既存のVLM向けベンチマークが低ダイナミックなシナリオに限定される中、FastBenchは高フレームレート（FPS）クリップからの質疑応答（QA）生成、SAM3とCoTracker3による回答検証、人間の検査を組み合わせたパイプラインを採用し、モデルのより現実的な性能評価を目指す。
Boyuan Chen氏らは10月4日(現地時間)、画像-テキスト型ジェイルブレイク攻撃の成功に寄与する画像側の要因を分析した研究論文をarXiv cs.CRで発表しました。この研究は、テキストや画像コンテンツ、あるいはそれらの関係に悪意を埋め込むことで機能する、有害なクエリに対するマルチモーダルモデルの脆弱性を調査。攻撃的な画像を用いることで、単独では成功しにくい有害クエリの攻撃成功率が大幅に増加する事例が確認されました。
ティアン・シア (Tian Xia) 氏ら複数の研究者は2026年9月30日(現地時間)、マルチモーダル大規模言語モデル (MLLMs) を用いた臨床診断におけるプロンプト最適化手法「Ranking-Aware Prompt Optimization for Multimodal Clinical Diagnosis」に関する論文をarXiv cs.LGで発表した。この研究では、従来の精度ベースの最適化手法がクラス不均衡な臨床データに不適切である点を指摘し、AUROC (Area Under the Receiver Operating Characteristic curve) を直接最適化する新しい手法「pair-level Pareto prompt evolution (Ranking-PE)」を提案している。
arXiv cs.CVは6月1日(現地時間)、ビデオマルチモーダル大規模言語モデル（video MLLMs）の効率化に向けた新技術に関する論文を発表した。複数の研究者が開発した「AdaCodec」は、予測型視覚コードとして、既存のvideo MLLMsが各フレームを独立して処理することで生じる視覚トークンの時間的冗長性を解消する。これにより、限られたトークン予算内でモデル性能の向上と応答時間の劇的な短縮を両立させる。