#visual-reasoning

3 記事

01 ·★ 会員·論文·18分で読めます 論文解説: Reason Through the Latent! — 「潜在状態に画像情報がある」と「答えがそれを使っている」は別問題 Reason Through the Latent! Making Latent Visual Reasoning Necessary 潜在視覚推論の手法は、潜在状態を壊しても答えがほぼ変わらない＝「使われていない」ことがある。CVRR (arXiv:2609.06746) は画像を読み込んだ後の質問状態から再帰を始め、復号前に画像への抜け道をすべて塞ぐことで、潜在計算を答えに「必要な」経路にしながら性能を保った。因果介入で裏を取った論文を本文だけを根拠に解説する。 02 ·無料·論文·11分で読めます 論文解説: VGI-Bench — 動画生成モデルは「途中経過」まで正しく描けるのか VGI-Bench: Probing Visual Intelligence in Video Generation Models 動画生成モデルを「視覚で考える機械」として測るベンチマーク VGI-Bench の設計と結果を、前提知識ゼロから解説。最強の Seedance 2.0 でも 51.0 にとどまり、デノイズ途中の自己修正はほぼ起きないという測定結果までを追う。 03 ·無料·論文·21分で読めます 論文解説: VBVR-Pro — 「絵で考える」AIを、訓練でき・採点でき・比較できるようにした実験場 VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning 画像や動画の生成そのものを「思考の場」として扱うネイティブ視覚推論。VBVR-Proは300個の手続き生成タスクと、VLM審判に頼らない決定論的な採点器を用意し、画像・動画・インターリーブ生成を同じ土俵で比較した。前提知識ゼロから読める解説。