日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2512.04597

ロボットはいつ「わからない」と言うべきか:身体性質問応答における棄権のベンチマーク

When Robots Should Say "I Don't Know": Benchmarking Abstention in Embodied Question Answering

シェア:XThreadsFacebookLINEはてブBluesky

身体性質問応答(EQA)において、エージェントが答えを保留すべき状況を評価するベンチマークAbstainEQAを構築し、最先端モデルでも棄権の判断が難しいことを示した。

詳しい要約

1. どんなもの?

- Embodied Question Answering (EQA) における abstention(回答を保留する能力)を評価するベンチマーク研究。 - EQA は言語理解・環境知覚・3D シーン内 navigation を伴う質問応答タスク。 - 既存 EQA ベンチマークは全質問に回答する前提だが、情報不足時に回答を控えるべきという最小要件に着目。 - 500 件の人間クエリの初期調査で 32.4% が文脈の欠落・不十分を含むと判明。 - 認知理論に基づき abstention を要する 5 カテゴリを導出。 - actionability limitation, referential underspecification, preference dependence, information unavailability, false presupposition。 - OpenEQA を拡張し、AbstainEQA を構築。 - 1,636 件の abstention ケースと 1,636 件の元 OpenEQA インスタンスを対にして均衡評価を可能にした…

2. 先行研究と比べてどこがすごい?

- 既存 EQA ベンチマークは全質問に回答する前提で、abstention を評価対象にしていない点が根本的な違い。 - 人間クエリの実調査(500 件)に基づき、32.4% が文脈欠落・不十分という実態を定量的に示した。 - 認知理論を援用して abstention カテゴリを体系化し、既存の OpenEQA を拡張して均衡の取れた abstention 評価データセット AbstainEQA を構築した点が新しい。 - 最先端モデルでも abstention recall 42.79% に対し人間 91.17% という大きなギャップを定量化した。 - scaling・prompting・reasoning の効果が限定的で、fine-tuned モデルはテキスト的手がかりに過学習することを示した。

3. 技術・手法の肝は?

- 500 件の人間クエリの初期調査から、文脈欠落・不十分な質問の割合と性質を分析。 - 人間コミュニケーションエラーの認知理論を参照し、abstention を要する 5 カテゴリを導出。 - actionability limitation, referential underspecification, preference dependence, information unavailability, false presupposition。 - OpenEQA の well-posed な質問を、注釈者が上記カテゴリに沿って曖昧な変種へ変換。 - 1,636 件の abstention ケースと 1,636 件の元 OpenEQA インスタンスを対にした AbstainEQA を構築し、均衡評価を実現。 - abstention recall を主要指標として、frontier model・人間・scaling・prompting・reasoning・fine-tuning の効果を比較評価。

4. どうやって有効だと検証した?

- AbstainEQA 上で評価を実施。 - 最良の frontier model でも abstention recall は 42.79% にとどまり、人間は 91.17% に達した。 - scaling・prompting・reasoning の各手法を試し、いずれも限定的な改善しか得られないことを確認。 - fine-tuned モデルはテキスト的手がかりに過学習することを確認。 - 1,636 件の abstention ケースと 1,636 件の元 OpenEQA インスタンスを対にした均衡設計により、abstention と通常回答の両面を比較可能にした。

5. 議論はある?

- abstention を embodied 設定における信頼性の高い相互作用の根本的前提、かつ効果的な clarification の必要基盤と位置づけている。 - 最先端モデルと人間の間に大きな abstention recall ギャップ(42.79% vs 91.17%)があり、現行手法の限界を示唆。 - scaling・prompting・reasoning が限定的な効果しか持たず、fine-tuned モデルがテキスト的手がかりに過学習するという課題を指摘。 - 具体的な改善手法やアーキテクチャに関する議論は要旨からは不明。

6. 次に読むべき論文は?

- OpenEQA(AbstainEQA の拡張元ベンチマーク)。 - 要旨で参照される人間コミュニケーションエラーの認知理論に関する研究。 - EQA における clarification(聞き返し)に関する研究。 - embodied agent の calibration・selective prediction・abstention に関する研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Tao Wu, Chuhao Zhou, Guangyu Zhao, Haozhi Cao, Yewen Pu, Jianfei Yang

分類: cs.CV, cs.AI, cs.LG, cs.RO

原文アブストラクト

Embodied Question Answering (EQA) requires an agent to interpret language, perceive its environment, and navigate within 3D scenes to produce responses. Existing EQA benchmarks assume that every question must be answered, but embodied agents should know when they do not have sufficient information to answer. In this work, we focus on a minimal requirement for EQA agents, abstention: knowing when to withhold an answer. From an initial study of 500 human queries, we find that 32.4% contain missing or underspecified context. Drawing on this initial study and cognitive theories of human communication errors, we derive five representative categories requiring abstention: actionability limitation, referential underspecification, preference dependence, information unavailability, and false presupposition. We augment OpenEQA by having annotators transform well-posed questions into ambiguous variants outlined by these categories. The resulting dataset, AbstainEQA, comprises 1,636 annotated abstention cases paired with 1,636 original OpenEQA instances for balanced evaluation. Evaluating on AbstainEQA, we find that even the best frontier model only attains 42.79% abstention recall, while humans achieve 91.17%. We also find that scaling, prompting, and reasoning only yield marginal gains, and that fine-tuned models overfit to textual cues. Together, these results position abstention as a fundamental prerequisite for reliable interaction in embodied settings and as a necessary basis for effective clarification.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI