論文の概要: WorldOlympiad: Can Your World Model Survive a Triathlon?

• arxiv url: http://arxiv.org/abs/2606.11129v1
• Date: Tue, 09 Jun 2026 17:24:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.637292
• Title: WorldOlympiad: Can Your World Model Survive a Triathlon?
• Title（参考訳）: WorldOlympiad:あなたの世界モデルはトライアスロンに耐えられるか?
• Authors: Yuke Zhao, Wangbo Zhao, Weijie Wang, Zeyu Zhang, Dakai An, Akide Liu, Yinghao Yu, Jiasheng Tang, Fan Wang, Wei Wang, Bohan Zhuang,
• Abstract要約: 我々は,物理忠実度,幾何整合性,相互作用忠実度にまたがるビデオベース世界モデルの診断のためのベンチマークであるWorldOlympiadを紹介する。 WorldOlympiadは、世界モデルの評価を3つの相補的な次元に分解する。
• 参考スコア（独自算出の注目度）: 39.69359039523777
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce WorldOlympiad, a benchmark for diagnosing video-based world models across physical faithfulness, geometric consistency, and interaction fidelity. While existing benchmarks often focus on visual quality, semantic alignment, or short-term temporal coherence, they provide limited insight into whether generated videos obey physical rules, preserve coherent 3D structure, and sustain controllable interactions over long horizons. To address this gap, WorldOlympiad decomposes world-model evaluation into three complementary dimensions. The physical track uses object segmentation and MLLM-as-judge to assess whether generated videos follow interpretable rules in mechanics, thermal phenomena, and material properties. The geometry track reconstructs generated videos with Gaussian splatting and evaluates structural consistency, cross-view coherence, and camera-trajectory alignment. The interaction track assesses whether generated rollouts follow complex action prompts and maintain smooth, coherent transitions across consecutive video chunks. WorldOlympiad further covers three major downstream scenarios, including gaming, robotics, and general real-world videos, capturing diverse challenges from interactive control and embodied manipulation to open-domain motion and camera dynamics. Together, these tracks and scenarios form a scalable and interpretable evaluation suite that exposes failure modes beyond generic video quality. Experiments on state-of-the-art models reveal substantial gaps in physical reasoning, 3D consistency, and long-horizon interaction, underscoring the need for more structured evaluation protocols for generative world models.
• Abstract（参考訳）: 我々は,物理忠実度,幾何整合性,相互作用忠実度にまたがるビデオベース世界モデルの診断のためのベンチマークであるWorldOlympiadを紹介する。 既存のベンチマークでは、視覚的品質、セマンティックアライメント、短期的時間的コヒーレンスに重点を置いていることが多いが、生成されたビデオが物理的な規則に従うか、コヒーレントな3D構造を保持し、長い地平線上で制御可能な相互作用を維持するか、という限定的な洞察を与える。 このギャップに対処するため、WorldOlympiadは3つの相補的な次元に世界モデルの評価を分解する。 物理トラックはオブジェクトセグメンテーションとMLLM-as-judgeを使用して、生成したビデオが力学、熱現象、材料特性の解釈可能な規則に従うかどうかを評価する。 ジオメトリトラックはガウススプラッティングで生成された映像を再構成し、構造整合性、クロスビューコヒーレンス、カメラ軌道アライメントを評価する。 インタラクショントラックは、生成されたロールアウトが複雑なアクションプロンプトに従うかどうかを評価し、連続したビデオチャンク間のスムーズでコヒーレントな遷移を維持する。 WorldOlympiadはさらに、ゲーム、ロボティクス、そして一般的な現実世界のビデオを含む3つの主要なダウンストリームシナリオをカバーし、インタラクティブなコントロールや身体操作からオープンドメインの動き、カメラのダイナミックスに至るまで、さまざまな課題を捉えている。 これらのトラックとシナリオが合わさってスケーラブルで解釈可能な評価スイートを形成し、一般的なビデオ品質を超えた障害モードを公開する。 最先端モデルに対する実験は、物理推論、3次元一貫性、長期水平相互作用において大きなギャップを生じさせ、生成的世界モデルのためのより構造化された評価プロトコルの必要性を浮き彫りにした。

関連論文リスト

• MetaWorld: Scaling Multi-Agent Video World Model from Single-view Video Data [125.43597497646444]
  MetaWorldは、マルチエージェントビデオワールドモデルをシングルビュービデオから直接オープンドメイン環境にスケールする新しいフレームワークである。 クロスビューの一貫性とアイデンティティの整合性を向上し、マルチエージェントビデオワールドモデリングのための高度にスケーラブルで物理駆動のパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-06-01T18:20:20Z)
• Quantitative Video World Model Evaluation for Geometric-Consistency [18.53748808467407]
  生成ビデオモデルは暗黙の世界モデルとしてますます研究されている。 物理的に妥当な3D構造と動きを創出するかどうかを評価することは依然として困難である。 生成ビデオにおける幾何コヒーレンスを監査するフレームワークであるPDI-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T17:59:04Z)
• RAYNOVA: Scale-Temporal Autoregressive World Modeling in Ray Space [51.441415833480505]
  RAYNOVAは、二重因果自己回帰フレームワークを使用するシナリオを駆動するための多視点世界モデルである。 相対的なシャーカー線位置符号化に基づいて、ビュー、フレーム、スケールにまたがる等方的時間的表現を構築する。
  論文  参考訳（メタデータ） (2026-02-24T08:41:40Z)
• DynamicVerse: A Physically-Aware Multimodal Framework for 4D World Modeling [67.95038177144554]
  物理スケールでマルチモーダルな4DワールドモデリングフレームワークであるDynamicVerseを紹介した。 我々は視覚、幾何学、マルチモーダルモデルを用いて、メートルスケールの静的幾何、実世界の動的運動、インスタンスレベルのマスク、そして全体論的キャプションを解釈する。 DynamicVerseは、100K以上のビデオと800K以上の注釈付きマスク、インターネットビデオから10M以上のフレームからなる大規模なデータセットを提供する。
  論文  参考訳（メタデータ） (2025-12-02T18:24:27Z)
• MagicWorld: Interactive Geometry-driven Video World Exploration [30.475628938909242]
  我々は、3次元幾何学的先行と歴史的検索を統合したインタラクティブなビデオワールドモデルMagicWorldを提案する。 本稿では,Action-Guided 3D Geometry Module (AG3D)を紹介した。 さらに、生成時に関連する履歴フレームを検索し、条件付き信号として注入するHistory Cache Retrieval (HCR) 機構を提案する。
  論文  参考訳（メタデータ） (2025-11-24T08:41:28Z)
• Towards High-Consistency Embodied World Model with Multi-View Trajectory Videos [24.111891848073288]
  身体的世界モデルは、視覚的な観察と行動を通じて物理的世界と予測し、相互作用することを目的としている。 MTV-Worldは正確なビジュモータ予測のためのマルチビュートラジェクトリ・ビデオ制御を導入した。 MTV-Worldは、複雑なデュアルアームシナリオにおける正確な制御実行と正確な物理的相互作用モデリングを実現する。
  論文  参考訳（メタデータ） (2025-11-17T02:17:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。