Meta AIの研究チームは、マルチモーダルモデルに反復的な推論プロセスを導入する画期的なフレームワーク「UniT」を発表した。従来のモデルは画像とテキストを一度の処理で完結させるのが一般的だが、UniTは複雑な指示を管理可能なサブゴールへと分解し、より「深く考える」ことを可能にする。これは推論スケーリングと呼ばれる手法で、モデルの使用時に計算資源をより多く割り当てることで、出力の質と精度を飛躍的に向上させている。

このシステムの特徴は、モデル自身が自らのクリティック（批評家）として機能し、中間ステップを検証しながら修正を加えていく点にある。エージェントによるデータ合成と特殊なトレーニングを組み合わせることで、コンテンツの記憶や自己検証といった高度な認知行動を実現した。興味深いことに、比較的短い推論パスで学習したモデルであっても、実際の複雑なシナリオではより長く難解な思考の連鎖 (CoT)へと一般化できることが明らかになった。

最も重要な発見は、自らの思考を論理的に積み上げる「逐次的な推論」が、多くの回答案から最良のものを選ぶ並列サンプリングよりも計算効率に優れているという点だ。視覚メディアにおいて「思考するモデル」を目指すこの動きは、従来の単一パス構造では困難だった複雑な空間配置や、動的に変化する指示への対応を可能にする大きな転換点となるだろう。

Meta AIの研究チームは、マルチモーダルモデルに反復的な推論プロセスを導入する画期的なフレームワーク「UniT」を発表した。従来のモデルは画像とテキストを一度の処理で完結させるのが一般的だが、UniTは複雑な指示を管理可能なサブゴールへと分解し、より「深く考える」ことを可能にする。これは推論スケーリングと呼ばれる手法で、モデルの使用時に計算資源をより多く割り当てることで、出力の質と精度を飛躍的に向上させている。

このシステムの特徴は、モデル自身が自らのクリティック（批評家）として機能し、中間ステップを検証しながら修正を加えていく点にある。エージェントによるデータ合成と特殊なトレーニングを組み合わせることで、コンテンツの記憶や自己検証といった高度な認知行動を実現した。興味深いことに、比較的短い推論パスで学習したモデルであっても、実際の複雑なシナリオではより長く難解な思考の連鎖 (CoT)へと一般化できることが明らかになった。

最も重要な発見は、自らの思考を論理的に積み上げる「逐次的な推論」が、多くの回答案から最良のものを選ぶ並列サンプリングよりも計算効率に優れているという点だ。視覚メディアにおいて「思考するモデル」を目指すこの動きは、従来の単一パス構造では困難だった複雑な空間配置や、動的に変化する指示への対応を可能にする大きな転換点となるだろう。