VBVR-Pro、300課題で視覚推論を学習・検証可能に

要約

VBVR-Pro は、画像や動画の生成自体を推論媒体として扱う視覚推論向けの閉ループ評価基盤を公開した。手続き生成による300課題を用意し、学習モデルはRISE-Video、MME-CoF-Pro、BabyVisionを含む7つの外部ベンチマークへ転移した。評価にはタスク固有の決定的ルールに基づく検証可能な報酬スコアラーを採用し、MLLMを判定役にする方式の失敗を回避する。30超の画像・動画・インターリーブ生成器を比較し、持続的な時空間状態追跡では動画生成が最も強く、インターリーブ生成は計算効率の高い代替手段になった。データ、モデル、スコアラー、コードを公開した。