論文の概要: Next Forcing: Causal World Modeling with Multi-Chunk Prediction

• arxiv url: http://arxiv.org/abs/2606.11187v1
• Date: Tue, 09 Jun 2026 17:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.664443
• Title: Next Forcing: Causal World Modeling with Multi-Chunk Prediction
• Title（参考訳）: 次のステップ:マルチチャンク予測による因果世界モデリング
• Authors: Gangwei Xu, Qihang Zhang, Jiaming Zhou, Xing Zhu, Yujun Shen, Xin Yang, Yinghao Xu,
• Abstract要約: Next Forcingは、因果世界モデリングのためのマルチチャンク予測フレームワークである。 トレーニングの高速化、精度の向上、推論の高速化を実現している。 5kのトレーニングステップでLingBot-VAよりも93.1%向上し、2.3倍高速収束を実現している。
• 参考スコア（独自算出の注目度）: 65.05727210375643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive video generation has emerged as a powerful paradigm for World Action Models (WAMs). However, existing approaches suffer from slow training convergence and limited converged accuracy, particularly at high frame rates, as the training supervision is confined to the current chunk without explicit signals about future dynamics; they also suffer from slow inference due to iterative video denoising. In this paper, we present Next Forcing, a multi-chunk prediction (MCP) framework for causal world modeling that enables faster training, higher accuracy, and accelerated inference. Inspired by multi-token prediction in large language models, Next Forcing introduces an MCP training objective that augments the main model with lightweight auxiliary MCP modules to simultaneously denoise video chunks at multiple future temporal horizons (next$^1$, next$^2$, next$^3$ chunks). These MCP modules form a causal chain across prediction depths, where intermediate features fused from multiple layers of the main model are leveraged to predict future dynamics, allowing near-future predictions to inform farther-future ones and providing dense multi-scale temporal supervision back to the main model. During training, the MCP modules significantly accelerate convergence and improve converged accuracy, especially at high frame rates: at 50 fps, Next Forcing achieves a 93.1% relative improvement over LingBot-VA at 5k training steps and 2.3x faster convergence, and establishes new state-of-the-art results on the RoboTwin benchmark (94.1/93.5% on Clean/Random). At inference, the MCP modules can be retained to predict the next video chunk in parallel with the current one, achieving 2x inference acceleration. Next Forcing also demonstrates significant improvements on PhyWorld, a benchmark evaluating adherence to physical laws in video generation, and over 50% FVD reduction on general video pretraining.
• Abstract（参考訳）: 自己回帰ビデオ生成は、世界行動モデル(WAM)の強力なパラダイムとして登場した。 しかし、既存のアプローチではトレーニングの収束が遅く、特にフレームレートが低いため、トレーニングの監督は将来のダイナミクスに関する明確な信号なしで現在のチャンクに限られている。 本稿では,マルチチャンク予測(MCP)フレームワークであるNext Forcingを提案する。 大規模言語モデルにおけるマルチトークン予測にインスパイアされたNext Forcingは、メインモデルを軽量な補助MCPモジュールで拡張し、複数の時間的地平線(next$^1$、next$^2$、next$^3$チャンク)で同時にビデオチャンクを識別するMPPトレーニングの目標を導入する。 これらのMCPモジュールは、予測深度にまたがる因果連鎖を形成し、メインモデルの複数の層から融合した中間的特徴を利用して将来のダイナミクスを予測する。 トレーニング中、MPPモジュールは収束を著しく加速し、特に高いフレームレートで収束精度を向上させる:50fpsで、Next Forcingは5kのトレーニングステップでLingBot-VAよりも93.1%向上し、2.3倍高速収束を実現し、RoboTwinベンチマーク(クリーン/ランドムでは94.1/93.5%)で新しい最先端結果を確立する。 推論時には、MCPモジュールを保持して次のビデオチャンクを現在のものと並列に予測し、2倍の推論加速を達成する。 Next Forcingはまた、ビデオ生成における物理法則の遵守を評価するベンチマークであるPhyWorldの大幅な改善と、一般的なビデオ事前トレーニングにおける50%以上のFVD削減を示す。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Disentangled Robot Learning via Separate Forward and Inverse Dynamics Pretraining [28.30092786035367]
  DeFIはビジュアルフォワードと逆ダイナミクスを分離し、各データソースを利用するための新しいフレームワークである。 今後の予測のために,多種多様な人・ロボットビデオで事前訓練された一般フォワード・ダイナミクス・モデル(GFDM)と,ラベルなしビデオ遷移から潜伏行動を予測するための自己教師付き学習によって訓練された一般逆ダイナミクス・モデル(GIDM)を紹介する。 CALVIN ABC-D と SimplerEnv の実験では、DeFI は CALVIN の平均タスク長 4.51 に達し、SimplerEnv-Frac は 51.2% 成功した。
  論文  参考訳（メタデータ） (2026-03-27T17:20:10Z)
• Persistent Robot World Models: Stabilizing Multi-Step Rollouts via Reinforcement Learning [18.397872306430006]
  アクションコンディショニングされたロボットワールドモデルは、ロボットアクションシーケンスが与えられた操作されたシーンの将来のビデオフレームを生成する。 これらのモデルは、短時間の予測に最適化され、自動回帰的にデプロイされたときに分解される。 我々は,自己回帰的なロールアウトで世界モデルを訓練する強化学習スキームを導入する。
  論文  参考訳（メタデータ） (2026-03-26T17:36:08Z)
• VideoAR: Autoregressive Video Generation via Next-Frame & Scale Prediction [31.191310873846177]
  VideoARは、ビデオ生成のための最初の大規模なVisual Autoregressiveフレームワークであり、マルチスケールの次世代の予測と自動回帰モデリングを組み合わせたものである。 VideoARは、フレーム内VARと因果次フレーム予測を統合することで、空間的および時間的依存関係をアンハングルする。 実証的な結果として、VideoARは、自動回帰モデル間の解像度を改善し、UCF-101上のFVDを99.5から88.6に改善し、10倍以上の推論ステップを減らし、拡散ベースのVBenchスコア81.74に到達した。
  論文  参考訳（メタデータ） (2026-01-09T17:34:59Z)
• Learning from Next-Frame Prediction: Autoregressive Video Modeling Encodes Effective Representations [53.91818843831925]
  NExT-Vidは,新しい自己回帰型視覚生成事前学習フレームワークである。 本研究では,文脈分離型自己回帰予測器を導入し,セマンティック表現をターゲットデコーディングから切り離す。 文脈分離型フローマッチング事前学習により,本手法は強い表現を実現する。
  論文  参考訳（メタデータ） (2025-12-24T07:07:08Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Efficient Continuous Video Flow Model for Video Prediction [43.16308241800144]
  拡散や修正フローモデルなどの多段階予測モデルでは、単一ステップ法と比較して新しいフレームをサンプリングする際のレイテンシが高くなる。 本稿では,遅延制約を緩和し,映像予測タスクへのこれらのプロセスの適応を容易にすることを目的とした,多段階プロセスのモデリング手法を提案する。
  論文  参考訳（メタデータ） (2024-12-07T12:11:25Z)

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。