TableVision：複雑な階層型テーブル上での空間的に根拠づけられた推論のための大規模ベンチマーク
arXiv cs.AI / 2026/4/7
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、複雑な階層型テーブルに対して空間的に根拠づけられた推論を行う際、マルチモーダル大規模言語モデルに「知覚ボトルネック」が存在することを指摘している。具体的には、離散的な視覚領域の数がタスクの複雑さよりも速く増加する。
- TableVisionを提案する。これは、ピクセル単位で正確な空間的グラウンディングを提供し、階層型テーブル配置における複数ステップの論理的演繹を扱える、大規模かつ軌跡（トラジェクトリ）を考慮したベンチマークである。
- TableVisionは、認知レベルを3段階（知覚、推論、分析）に分類し、13のサブカテゴリにまたがるタスクを扱う。また、高忠実度の推論トラジェクトリとして6,799件を含む。
- 診断用プロービングの実験により、明示的な空間制約を追加すると空間的注意が改善され、MLLMの推論性能が回復することが示される。
- 2段階のデカップルド（分離）フレームワークにより、テストセットにおいて全体で12.3%の精度向上が報告される。TableVisionは、ドキュメント理解における知覚と論理の相乗効果（perception–logic synergy）の検証基盤として位置づけられる。
