← トップへ戻る

プレプリント ·研究論文 ·速報 ·AI要約未精査 ·AIによる読み解き

視覚的推論の新時代を切り開くVeroとは？

Veroは、幅広い視覚的推論タスクで既存のモデルを超える性能を示すオープンソースビジョン-言語モデルファミリーです。

元記事タイトル: Vero: 幅広い視覚的推論に向けたオープンな強化学習レシピ

arXiv cs.AI 2026年06月19日

査読未完了の可能性があります。完成した査読済み論文としてではなく、研究コミュニティ向けの早期共有として読んでください。

RESEARCH 研究論文 / Preprint

Field Note 読む前に確認

3行まとめ

Veroは完全にオープンソースなビジョン-言語モデルファミリーである
600Kサンプルからなる大規模なデータセットを使用
視覚的推論タスクで既存のモデルを超える性能を示す

こんな人に関係ある話

AI研究者機械学習エンジニア強化学習開発者

信頼度メモ

プレプリント論文（査読前の可能性あり）

記事の読み解き Reading

元記事を材料に、要点、編集視点、良い点と懸念点を読みやすい順に整理しています。

この研究では、Veroと呼ばれる完全にオープンソースのビジョン-言語モデル（VLM）ファミリーが紹介されています。Veroは、チャートや科学、空間理解、開放型タスクなど幅広い視覚的推論タスクで既存のモデルを上回る性能を示します。研究者は600KサンプルからなるVero-600Kデータセットを作成し、異なる回答に対応するタスク指向の報酬設計を行いました。Veroは、5つの初期モデルに対して平均2.9〜5.4ポイントの向上を達成しました。

編集部コメント

Veroは、幅広い視覚的推論タスクに対する強化学習の応用を示唆する重要な研究です。この研究は、既存の閉じたデータセットや強化学習パイプラインに依存しないオープンなアプローチを提供しています。

評価ポイント Assessment

良い点

完全にオープンソースなビジョン-言語モデルファミリーである
幅広い視覚的推論タスクで既存のモデルを超える性能を示す
600Kサンプルからなる大規模なデータセットVero-600Kを使用

業界・社会への影響 Impact

この研究は、強化学習とビジョン-言語モデルの統合に関する新たな可能性を示しています。これにより、視覚的推論タスクにおけるモデルの性能向上が期待されます。

深堀り Deep Dive

前提知識

視覚的推論は近年注目を集めている研究領域で、ビジョン-言語モデル（VLM）が文と画像の両方を理解し、広範なタスクにわたって応答する能力を評価します。これらのモデルにはチャート分析や空間理解など多岐にわたる応用がありますが、強化学習（RL）技術と非公開データセットを利用することで性能を向上させる傾向があります。

何が新しいのか

この研究では、Veroという新しいビジョン-言語モデルファミリーが提案され、600Kサンプルからなる大規模なVero-600Kデータセットとタスク指向の報酬設計によって、従来のモデルを上回る性能を達成しています。特筆すべきは、完全にオープンソースであり、他の非公開システムよりも優れたパフォーマンスを示す点です。

今後見るべき論点

Veroが開発したタスク指向の報酬設計が今後どの程度の応用範囲を持つか
幅広い視覚的推論タスクに対するモデルのパフォーマンス向上への影響
Veroのような完全オープンソースアプローチが研究界と実業界でどのように受け入れられるか

用語解説

ビジョン-言語モデル（VLM）画像とテキストの両方を理解し、それらに基づいてタスクを解決する能力を持つ人工知能モデル

強化学習（Reinforcement Learning, RL）機械学習の一種で、エージェントが環境と相互作用しながら、報酬を得る行動を選択することで自己改善を目指す手法

タスク指向の報酬設計特定のタスクや目的に応じて適切な報酬を与えるシステムの設計

参照元 Sources

元記事と、深堀りで参照した情報源です。コミュニティ投稿やプレプリントでは、ここから根拠を確認できます。

Vero: 幅広い視覚的推論に向けたオープンな強化学習レシピ

arXiv cs.AI

https://arxiv.org/abs/2604.04917

[Paper Note] Vero: An Open RL Recipe for General Visual Reasoning, Gabriel Sarch+, arXiv'26, 2026.04 · Issue #5167 · AkihikoWatanabe/paper_notes https://github.com/AkihikoWatanabe/paper_notes/issues/5167 used in analysis

この記事の見取り図

読む前に確認
記事の読み解き
深堀り
参照元
AI要約について
関連記事

キーワード

Vero ビジョン-言語モデル視覚的推論強化学習 VLM

AI要約について

本記事の要約・分類・読み解きにはAIを使用しています。内容確認に努めていますが、誤訳・解釈違い・元記事更新の反映漏れを含む可能性があります。重要な判断を行う場合は、必ず元記事もご確認ください。

速報について — 速報は追加調査や本文抽出の結果で内容が更新される場合があります。初期要約には誤りや不足が含まれる可能性があります。

記事データ

Source	プレプリント
Category	研究論文
Status	速報
出典	arXiv cs.AI
公開日	2026-06-19

元記事の説明文

arXiv:2604.04917v3 Announce Type: replace-cross Abstract: What does it take to build a visual reasoner that works across charts, science, spatial understanding, and open-ended tasks? The strongest vision-language models (VLMs) suggest that broad visual reasoning is within reach, yet their closed data and reinforcement learning (RL) pipelines make their gains difficult to study, reproduce, or extend. We introduce Vero, a family of fully open VLMs that match or exceed existing open-weight models across diverse visual reasoning tasks. We scale RL data and rewards across six broad task categories, constructing Vero-600K, a 600K-sample dataset from 59 datasets, and designing task-routed rewards that handle heterogeneous answers. Across VeroEval, our 30-benchmark suite, Vero-600K outperforms existing RL datasets under controlled comparisons. Applied to five starting models, Vero variants gain 2.9-5.4 points on average over their initial models. Notably, Vero-Qwen3I-8B, trained on the Instruct model, surpasses Qwen3-VL-8B-Thinking by 3.8 points on average without additional distillation. Systematic ablations reveal that different task categories elicit distinct reasoning patterns and that broad gains depend on learning them jointly rather than in isolation. All data, code, and models are publicly available.