cv usk(@cv_usk):TL;DR 空間推論を文章生成ではなく「候補を選ぶ分類問題」として扱うことで、VLMを最大5.6倍高速化しつつ精度も向上させた研究です。タイトル: MJev-Spatial: System One Spatial Intelligence via Native Attention Matching URL: https://t.co/vaUT3Aszbf ポイントはこちらです。・🎯 選択・数値・座標指定をすべて「有限候補の分類」として統一的に扱う設計・🧠 新しい予測ヘッドを追加せず、モデルが元から持つクエリ・キー注意機構を再利用してスコアリング・📐 座標指定は3×3グリッドを3段階クロップし直して絞り込む階層的な精密化・🚀 B200 GPUでの平均レイテンシ160.6ms、自動回帰ベースライン比2.5倍、ベースモデル比5.6倍高速化・📊 12ベンチマーク平均65.64%でQwen3-VL-8Bなど既存手法を上回り、7ベンチマークで1位・🔢 距離推定は細かく区間を切るより粗めの方が精度が良いという意外な結果も・🌲 確率木を使えば追加学習なしで複数点予測にも拡張可能テキスト生成を経由しない「直感的な分類」という発想の転換が、速度と精度を両立させているのが面白いです。 #VLM #空間推論

2026.10.26 08:44

TL;DR 空間推論を文章生成ではなく「候補を選ぶ分類問題」として扱うことで、VLMを最大5.6倍高速化しつつ精度も向上させた研究です。タイトル: MJev-Spatial: System One Spatial Intelligence via Native Attention Matching URL: ポイントはこちらです。・🎯 選択・数値・座標指定をすべて「有限候補の分類」として統一的に扱う設計・🧠 新しい予測ヘッドを追加せず、モデルが元から持つクエリ・キー注意機構を再利用してスコアリング・📐 座標指定は3×3グリッドを3段階クロップし直して絞り込む階層的な精密化・🚀 B200 GPUでの平均レイテンシ160.6ms、自動回帰ベースライン比2.5倍、ベースモデル比5.6倍高速化・📊 12ベンチマーク平均65.64%でQwen3-VL-8Bなど既存手法を上回り、7ベンチマークで1位・🔢 距離推定は細かく区間を切るより粗めの方が精度が良いという意外な結果も・🌲 確率木を使えば追加学習なしで複数点予測にも拡張可能テキスト生成を経由しない「直感的な分類」という発想の転換が、速度と精度を両立させているのが面白いです。 #VLM# #空間推論#