Tag
12 件の関連記事
arXiv cs.ROは2026年10月19日(現地時間)、「Where is Physical RSI capability from? An Observational Scaling Law of LLM-as-policy」と題する論文を公開した。この論文は、物理的な再帰的自己改善 (Physical Recursive Self-Improvement) のメカニズム、スケーリング挙動、および汎化について体系的に調査したもので、LLM-as-policyの観測的スケーリング法則に焦点を当てている。
arXiv cs.AIは2026年10月15日(現地時間)、ビジョン・ランゲージ・モデル（VLMs）の安全性を高める新たなフレームワーク「カウンターファクチュアル・ネイバーフッド・リスク・フィールド (Counterfactual Neighborhood Risk Fields、CNRF)」に関する研究論文を発表した。このフレームワークは、VLMにおけるリスクスコアの解釈と信頼性を向上させるため、エビデンスに基づいた選択的な安全性防御を導入する。従来の防御策が有害な入力と良性な入力を分離するだけだったのに対し、CNRFは不慣れさと有害性を区別し、一括拒否ではなく選択的な介入を可能にする。
arXiv cs.ROは2026年10月7日(現地時間)、ビジョン言語アクションモデル (VLA) が指示の言い回しに対し顕著な感度を示すとする研究論文を発表した。同論文は、VLAが基盤となるビジョン言語モデル (VLM) の言語ロバスト性を継承しておらず、一単語の変更でタスク成功率が大きく変動する事例を報告。この感度を特性評価し、ポリシー変更なしでその影響を低減する手法を提示している。
arXiv cs.CVは2026年9月2日(現地時間)、視覚言語モデル（VLMs）における失敗予測を解釈可能にする新手法「FailSAE」に関する論文を発表した。Jie Ma氏、Zongxi Liu氏、Yi Zhu氏らが執筆したこの研究は、Sparse Autoencoders（SAEs）を活用し、既存の予測手法が抱える解釈可能性の限界を克服。リスクを認識したVLMの展開と人間による介入を支援する可能性を示唆している。
arXiv cs.CVは9月3日(現地時間)、Vision-language models（VLM）が特定のユーザー文脈を考慮せず直接応答する傾向があり、パーソナライズされた安全性に課題を抱えているとする論文を公開した。論文は、この問題の根源に「視覚的優位性」があるとし、文脈不足時に応答を遅延させる手法「PRISM」を提案している。
arXiv cs.CVが2026年8月20日(現地時間)、視覚言語モデル (VLM) の処理を高速化し、堅牢性を高める新しいアルゴリズム「ClustRS」を発表した。このトレーニング不要な手法は、多数の視覚トークン処理に伴う計算負荷を軽減し、エッジデバイスへのVLM展開の課題解決を目指す。既存のVLMであるLLaVAにおいて、画像ノイズに対する堅牢性を向上させつつ、トークン数を大幅に削減できるとしている。
文豪・リー (Wenhao Li) 氏らの研究チームは2026年7月23日(現地時間)、arXiv cs.CVに公開した論文で、既存のVision-Language Models (VLMs) が抱える3Dタスクでの課題を解決する新フレームワーク「VLM-IE3D」を発表した。VLM-IE3Dは、RGBビデオから学習した暗黙的および明示的な3D幾何学情報を取り入れることで、VLMsの3D空間認識能力を強化する。
Apple ML Researchは7月20日(現地時間)、大規模な自己回帰モデル向けに、トークンレベルの生成長をモデル化する新たなフレームワーク「Length Value Model (LenVM)」を発表した。このLenVMは、各デコーディングステップで残りの生成長をモデル化することで、きめ細やかな長さモデリングを実現する。注釈なしで密かつバイアスのない、スケーラブルな監視信号を提供すると説明されており、生成AIモデルの出力制御向上に寄与する見込みだ。
Hoang-Bao Le (ホアンバオ・ル) 氏らは6月23日(現地時間)、ビジョン言語モデル (VLMs) の否定表現に対する認識能力を向上させる新たなモデル「ハントリップ (HANCLIP)」を発表した。この発表はarXiv cs.CVに掲載された論文による。従来のVLMsは否定表現に脆弱で、浅い単語共起に依存し、誤解を招くテキスト情報に惑わされる傾向があった。HANCLIPはこの課題に対処するため、埋め込み空間を再構築し、画像が「何であるか」だけでなく「何ではないか」も明示的に符号化する。
arXiv cs.CVは6月12日(現地時間)、視覚言語モデル（VLM）が画像を記述する際の内部メカニズムに関する研究論文を発表した。Rohit GandikotaとDavid Bauによる研究は、言語モデルバックボーン内に「ゲイズヘッド」と呼ばれる特定のアテンションヘッド群が存在し、モデルが記述中の画像領域にその注意が向けられていることを発見。このゲイズヘッドの注意を特定の領域に操作することで、VLMにその領域を記述させることが可能になると報告している。
arXiv cs.CVは6月11日(現地時間)、Seokju Cho氏らが開発した「SpatialClaw」に関する論文を公開した。この論文は、ビジョン言語モデル（VLMs）における空間推論能力を向上させることを目指すトレーニング不要のフレームワーク「SpatialClaw」が、コードをアクションインターフェースとして採用していることを示している。20の空間推論ベンチマークにおいて平均59.9%の精度を達成し、既存の空間エージェントを11.2ポイント上回ったと報告されている。
arXiv cs.AIは2026年5月12日(現地時間)、ビジョン言語モデル (Vision-Language Models、VLM) の解釈可能な失敗モードを体系的に特定する新フレームワーク「レベリオ (REVELIO)」が発表されたと報じた。VLMは高い推論能力と汎化性から、安全性が重視される応用分野での利用が拡大している。しかし、特定の現実世界状況下で壊滅的な失敗を招く可能性が課題となっていた。レベリオは、従来の評価手法との差別化を図り、VLMの安全性向上に大きく寄与すると期待される。