cv usk(@cv_usk):自己改善するマルチモーダルモデルは、「いつ新しい問題に入れ替えるか」を学習ログだけで決められる🔄 A-RSI: Adaptive Task Refresh for Zero-Data Multimodal Self-Improvement https://t.co/g01iXepcci 📌 概要人手のラベルなしでVLMを自己改善させるとき、学習タスクのプールを適切なタイミングで更新する手法A-RSIを提案しています。 ⚠️ 解決する課題・多くの手法は「次に何を作るか」に注目し、「いつ入れ替えるか」を扱いません・多数決などでラベルを作ると、モデル自身の誤りが学習目標になります 🧩 手法・ベースモデルがパラメータ付きのタスクジェネレータを書き、画像・質問・参照答えをプログラムで生成します・GRPOで学習し、報酬は正答を最優先にします・報酬にばらつきが残るプロンプト数が減るか精度が上がると、プール全体を未使用タスクに入れ替えます 📊 結果・Qwen3-VL-8Bの11ベンチマーク平均が57.77から61.05に上がりました。新規タスクは800件です・毎ウィンドウ更新の60.64は3,200件で、4倍のタスクを使っています・MiMo-VL-7Bでも59.08から60.71になりました 🔭 意義検証スコアを使わずに更新時期を決められる点が実用的です。一方、各比較は1回の学習のみです。 #自己改善 #マルチモーダルAI

2026.11.01 02:48

自己改善するマルチモーダルモデルは、「いつ新しい問題に入れ替えるか」を学習ログだけで決められる🔄 A-RSI: Adaptive Task Refresh for Zero-Data Multimodal Self-Improvement 📌 概要人手のラベルなしでVLMを自己改善させるとき、学習タスクのプールを適切なタイミングで更新する手法A-RSIを提案しています。 ⚠️ 解決する課題・多くの手法は「次に何を作るか」に注目し、「いつ入れ替えるか」を扱いません・多数決などでラベルを作ると、モデル自身の誤りが学習目標になります 🧩 手法・ベースモデルがパラメータ付きのタスクジェネレータを書き、画像・質問・参照答えをプログラムで生成します・GRPOで学習し、報酬は正答を最優先にします・報酬にばらつきが残るプロンプト数が減るか精度が上がると、プール全体を未使用タスクに入れ替えます 📊 結果・Qwen3-VL-8Bの11ベンチマーク平均が57.77から61.05に上がりました。新規タスクは800件です・毎ウィンドウ更新の60.64は3,200件で、4倍のタスクを使っています・MiMo-VL-7Bでも59.08から60.71になりました 🔭 意義検証スコアを使わずに更新時期を決められる点が実用的です。一方、各比較は1回の学習のみです。 #自己改善# #マルチモーダルAI#