ワールドモデルの評価、本当にできていますか？スコアだけ出して中身はブラックボックス——そんな評価手法に終止符を打つ研究が登場しました。 HarnessEval-W: Agentifying the Evaluation of Visual Worlds ❓ そもそも何が問題だったの？ 💡 既存のワールドモデルベンチマークはスカラー値しか返さず、なぜそのスコアになったかの推論根拠を示せませんでした。また物理的妥当性・因果関係・状態の持続性を「人間がやるように」自動検証する手段がなかったのです。 ❓ どんな仕組みで評価するの？ 💡 3層のエージェント階層で動きます。まずケースを専門スキルへルーティングし、サブエージェントが個々の問いに答え、親エージェントがエビデンスを集約してスコアを出します。全工程の推論が証拠ツリーとして記録されるため、どの判断も追跡・監査できます。評価軸は観測品質・遷移の正確さ・世界の持続性の3カテゴリ8設定、330件のケースで18モデルを評価しました。 ❓ 従来手法と比べてどう違う？ 💡 物理遷移のペアワイズ精度が WBench の 31.9% から 71.7% へ、引き分け率は 52.2% から 1.8% にまで激減しました。人間の判断との一致も高く、意図的遷移で Spearman ρ=0.93、物理遷移で ρ=0.87 を達成（5,000件のペアワイズA/B判定で検証）。 ❓ 実際のモデル評価で何かわかった？ 💡 上位は Seedance 2.0（75.5）、Wan 2.7（75.0）、Kling 3.0（74.4）の順。そしてファインチューニング分析が示す「能力トレードオフ」が興味深く、DreamX-World は探索的遷移で +4.8 改善しながら意図的遷移が −11.9 悪化。画質の良さと物理挙動の正確さも r=−0.04 でほぼ独立した能力であることがわかりました。 #WorldModel# #ビデオ生成#

操作に応じて映像を生み出す「動画ワールドモデル」、その実力を公平に測る統一ベンチマークが登場しました🎮 タイトル: WBench: A Comprehensive Multi-turn Benchmark for Interactive Video World Model Evaluation URL: 🎮 概要 インタラクティブな動画ワールドモデルを包括的に評価する統一フレームワークです。289テストケース・1,058インタラクションターンで、テキスト・6-DoF姿勢・離散アクションという異なる操作方式のモデルを同じ土俵で比較できます。 ❓ 解決する課題 インタラクティブなワールドモデルは急速に進歩する一方、能力を体系的に測る基準がありませんでした。既存ベンチマークは一部しかカバーできず、入力方式がモデルごとに違うため横並び比較も困難でした。 💡 方法論と提案手法 評価は5つの次元で行います。 ・映像品質 ・設定への忠実性 ・インタラクションへの忠実性 ・一貫性 ・物理法則への整合性 タスクはナビゲーション・被写体アクション・イベント編集・視点切り替えの4種。専門視覚モデルと大規模マルチモーダルモデルを組み合わせた22の自動指標を、人間の判断と照合して検証しています。 📊 実験結果 最先端20モデルを分析した結果、すべての次元で強いモデルは1つも存在しないことが判明。各アプローチに特徴的な強み・弱みと、共通の難題が浮かび上がりました。 #ワールドモデル# #ベンチマーク#

動画生成モデルは「もっともらしい動画」を作れても、「正しい確率で将来を分布できる」かは別問題です。 タイトル: PAWBench: How Far Are We from Probabilistically Aligned World Modeling? URL: 🎯 概要 コインを50回投げたとき表と裏が約50%ずつ出るように、動画生成モデルも「ありうる将来の正しい確率分布」を再現できなければ真のワールドモデルとは言えません。PAWBenchはこの「確率的整合性」を評価する初の体系的ベンチマークで、50シナリオ・11モデルを評価しました。 🔍 解決する課題 従来の動画評価はFIDやFVDなどの知覚品質や多様性に焦点を当ててきましたが、「各結果が正しい頻度で生成されるか（較正）」と「すべてのありうる結果を網羅できるか（網羅性）」を同時に測る指標がありませんでした。 ⚙️ 評価手法 PAWEvalはK=50回の動画生成をGemini 3.5 Flashで終端結果に変換し、全変動距離（TVD）と有効サポート回収率で評価します。投擲・回転・衝突・材料遷移など8種類の物理メカニズムを対象としています。 📊 主要結果 最良モデルのCosmos 3 Super I2VでもTVD 20.5（完全整合=0）に留まります。全モデルの平均TVDは31.2で、有限サンプルで予想される偶然のばらつき（8.33）を大幅に上回ります。「確率精度・広い網羅性・採点信頼性」を同時に達成したモデルは1つもありませんでした。 ⚡ 介入実験の教訓 プロンプトエンジニアリング・結合ノイズサンプリング・LoRA微調整の3つを試しましたが、いずれも部分的な改善にとどまり根本的なギャップは解消されませんでした。モデルは物理的因果介入には過少反応し、非因果的な視覚・テキスト手がかりには過剰反応する傾向があります。 動画生成をロボティクス・自動運転・物理シミュレーションに応用しようとする研究にとって、確率的整合性はこれから欠かせない評価軸になります。 #動画生成# #ワールドモデル#

「今の知識」だけでなく「いつ真実で、いつシステムが信じたか」という時間軸まで記録する、世界初を謳うOSSの企業ワールドモデルが登場しています。 タイトル: deeplethe/utopia URL: 📝 概要 Rust製・PostgreSQL＋pgvector採用のUtopiaは、ビテンポラル（二時間軸）知識グラフを核とした企業向け知識統治プラットフォームです。 ❗ 解決する課題 既存のベクトルストアやナレッジグラフは「今」の正しさにしか焦点を当てておらず、決定の追跡可能性や監査証跡が不足していました。 ⚙️ 方法論 すべての事実に「世界で真実だった時点」と「システムが信じた時点」の2軸を持たせ、矛盾検出・エンティティ解決・オントロジー駆動の推論を組み合わせています。全操作は改ざん防止の決定台帳に記録されます。 🔧 ユースケース PDF・Notion・Jira・S3など多様なソースを取り込み、Claude DesktopやCursorとMCP連携。エアギャップ環境での完全オフライン運用にも対応し、コンプライアンス監査が求められる現場に向いています。 📊 実績 GitHubスター9,000超・フォーク1,000超という実績があり、Docker Composeで手軽に立ち上げられます。現在はv0.1段階で活発に開発が続いています。 #OSS# #ナレッジグラフ#

OpenAIはSoraやImage 2.0の時といいマーケティングが本当に上手い。視覚的に魅了できる生成物を皆が楽しんでSNSにアップさせてバイラルを狙う。今回のGPT-6 Astraは3Dモデリングとパソコン操作のComputer Useが肝。 ぶっちゃFableでも近いしことができたが、先行ユーザーの3Dデモに皆んなが釣られて真似をした。インフルエンサーマーケも上手い。Anthropicは研究者・技術者集団のイメージでOpenAIはマーケ・政治が上手い印象。(今回ら技術でも圧倒) ただ、このシーソーゲームは半年おきくらいに定期的に起こるので、特に気にせず自分の実務で如何に使えるかを模索すべきかと。 昔はAnthropic、Open AI、Googleの三つ巴だったが、今はフロンティアモデルは２社の争いですかね、、 GoogleにはOmniなどのワールドモデルで巻き返しを期待したい。 音楽、動画などのマルチモーダルはGoogleならではの強みでもある。

Aureka BiotechnologiesがUS$100 millionのSeries Bを調達した（ million近くに達したという。Granite Asiaが第1トランシェを単独で拠出し、後続トランシェは戦略投資家が主導、HighLight Capital（HLC）と既存株主のMPCi、NRL Capitalも参加した。 資金の使い道が興味深い。次世代の生物学的基盤モデルを大規模に訓練し、de novo分子設計（既存分子の改変ではなく、ゼロから候補を設計すること）、生体構造モデリング、機能予測を強化する。同時にLab-in-the-Loop（モデルの仮説を実験で検証し、その結果を次の学習へ戻す仕組み）も拡張する。 ここでいう実験は、最後に答え合わせをするだけの工程ではない。AIエージェントが分子を生成し、実験を設計し、単一細胞の機能スクリーニングや高スループット検証で確かめ、結果をモデルへ戻す。モデル→実験→データ→更新の循環そのものを、薬物探索の基盤にしようとしている。 Aurekaの生物学的基盤モデルAuraIDEは、社内のタンパク質共進化データで訓練されている。オープンソース版のOpenDDEは、抗体と抗原の立体構造予測を測る公開ベンチマークFoldBench v1の第三者評価でも紹介された。 創業者兼CEOのWeian Zhaoは、最終的に生物学的ワールドモデルを目指すと説明している。これは分子の静的な構造を当てるだけでなく、分子同士の相互作用や設計結果をシミュレーションし、AIエージェントが薬の設計を計画、実行、反復するモデルだ。 「モデル単体の性能」を競う段階から、「実験データをどう継続的に生み、モデルと薬の候補を同時に更新するか」を競う段階へ。Aurekaの発表は、AI創薬の本体がモデルではなく、モデルと実験を閉ループで接続するR&Dインフラへ移りつつあることを示していると思う。

TL;DR: シミュレータの「忠実さ」と動画生成の「写実性」を両立させる仮想世界フレームワークAgentGartenが、隠れんぼのツール使用戦略を、従来の強化学習が数百万エピソード要したところをわずか数ラウンドで習得させました。 タイトル: AgentGarten: Code Worlds for Evolving Agents URL: ポイント 🎮 シーンプログラム（状態・ルール）とニューラルレンダラー（視覚）を構造化条件（深度・法線マップ）で結合し、状態とビジュアルを分離 🔬 新手法「Adversarial Forcing」が、標準手法では微分不可能だった履歴プリフィルを、ブロック単位SDPAによる厳密なビット一致リプレイで微分可能に ⚡ 単一H100で480×832解像度・36.5fpsのリアルタイムレンダリングを達成 🤖 「プレイブック」機構により、エージェントはラウンドごとの振り返りを次ラウンドへ引き継ぎ、勾配更新なしで知識を蓄積 🏃 隠れんぼでのシェルター構築戦略を、自己対戦RLの約2,500万エピソードに対しラウンド4で、ランプ使用を約1億エピソードに対しラウンド10で習得 📈 牧羊・採石場ローダーなど他の環境でも、わずか4ラウンドで明確な性能向上を確認 状態と見た目の生成を切り分けるというアーキテクチャの発想が、学習効率の桁違いの改善につながっている点に説得力を感じます。 #ワールドモデル# #エージェント学習#

動画生成が長くなるほど、過去のどのフレームを覚えておくべきかが難しくなります。「今に似ているか」ではなく「これから必要になるか」で選ぶ発想が登場しました。 タイトル: FrameMorrow: Future-guided Frame Selection with Prospective Tokens for Long-Horizon Video Generation URL: 📝 概要 過去フレームの選択を「現在との類似度」ではなく「未来の情報ニーズとの関連性」で行う手法FrameMorrowを提案。実際の未来フレームを生成せず、未来に重要になりうる情報を予測する「展望トークン」を使います。 ❗ 解決する課題 既存手法は直近のコンテンツに似たフレームを残しますが、これは近視眼的です。視覚的に似ているだけのフレームは今後の生成には役立たないことが多く、長編動画の一貫性が崩れがちでした。 🛠️ 方法論・提案手法 凍結した視覚エンコーダ（DINOv2）を使い、学習可能な射影とアテンション機構だけで展望トークンを自己回帰的に予測。実際に実現した未来フレームとの類似度を教師信号とする「未来接地ランキング蒸留」で学習します。生成器は凍結したまま、選択した明示的なフレームをアダプタ経由で渡すプラグアンドプレイ設計により、オープンソースモデルだけでなくSeedance 2.0やKling O3のようなクローズドソースAPIにも適用可能です。 📊 実験結果 5つのベンチマーク・11モデルで評価し、インタラクティブ生成では一貫性が84.95→89.30、アクション条件付きワールドモデルYuMe 1.5ではアクション整合性0.883→0.912に改善。ユーザースタディでも一貫性の選好率62.7%（ネイティブモデル16.7%）と大差で選ばれました。 #動画生成# #AI研究#

散歩してたら謎の生物を発見。 長さ30cm近く、黄色っぽくて細長い。最初は細いヘビかと思ったけど、よく見ると質感も動きもナメクジっぽい。 調べたらコウガイビルという陸生プラナリアらしい。ナメクジやミミズを食べる肉食とのこと。 …で、さらに驚いたのはここから。 その後10分でさらに3匹も発見！こんなにあったんか、オマイら。ちなみに他の個体はミミズくらいのサイズやった。 10分で4匹も見つかったってことは、多分これまでの人生でも無数に見てたはず。 でもワイの脳は、こんなデカい生き物なのに、何十年も背景として処理してたわけや。 それが、たった数分観察しただけでワールドモデルが更新され、急に「コウガイビル発見器」になったw 世界は何も変わってない。変わったのはワイの脳内ワールドモデルだけ。 既存知識を保ちつつ新しい概念を一瞬で学習できる、人間の脳、マジ天才すぎるw 今のAIだとこういう学習はまだ難しい。 ちなみに、詳しい方、これコウガイビルで合ってますか？

🤖 ロボットの器用な手つきも、結局は「データ量」で伸びることが実証されました。 タイトル: GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation URL: 🧩 概要 AgiBot Research Teamが、既存の動画生成モデルを流用せず全コンポーネントをロボット操作データからゼロで学習する「ワールドアクションモデル」GE-Act 2.0を提案しました。未来の視覚状態を予測し、そこから行動を導きます。 ⚙️ 解決する課題 既存手法は再構成品質重視の動画生成器をそのまま使っており、行動予測に必要な情報が保証されない上、視覚生成とインバースダイナミクスの事前学習と接続の関係が未解明でした。 🛠 方法論と提案手法 64倍圧縮の行動特化オートエンコーダ（CoAE）、1回の順伝播で未来映像を生成するSingle-Step Visual Planner、視覚予測と実行動のズレ（妥当性ギャップ）をtop-k選択で解消するKASOという3つの工夫で構成されています。 📊 実験結果 学習データを300時間から3万時間に増やすと、ロボットG1-OPの成功率は17.1%から44.1%へ27.0ポイント向上。データが2%未満しかないG2-90Dでも17.7ポイント向上し、身体をまたいだ知識転移が確認されました。物体・色・位置の指示追従も90%以上の精度を達成しています。 #ロボティクス# #世界モデル#