論文の概要: MoWorld: A Flash World Model
- arxiv url: http://arxiv.org/abs/2607.06216v1
- Date: Tue, 07 Jul 2026 12:41:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.512089
- Title: MoWorld: A Flash World Model
- Title（参考訳）: MoWorld:Flash Worldモデル
- Abstract要約: MoWorldは、データ生成、事前トレーニング、蒸留、効率的な推論にまたがるエンドツーエンドのフレームワークを備えた、コスト効率のよい高性能なFlash World Modelである。
主に大規模なビデオコーパスに依存している既存のアプローチとは異なり、MoWorldはスケーラブルな3Dネイティブデータエンジンの上に構築されている。
MoWorldはNeural Processing Unit (NPU)上に構築された世界初のリアルタイムインタラクティブワールドモデルである
- 参考スコア（独自算出の注目度）: 45.23413717368583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The future of World Models depends not only on scaling model capability, but also on scaling practicality and inference efficiency. High-frame-rate inference enables responsive perception, planning, and control in real-world autonomous systems. To this end, we present MoWorld, a cost-effective yet high-performance Flash World Model with an end-to-end framework spanning data generation, pre-training, distillation, and efficient inference, enabling up to 50 FPS real-time interaction with cinematic visual quality without the need of high-end GPUs. To enable large-scale real-world deployment, MoWorld jointly optimizes model capability and cost throughout the entire development pipeline. Specifically, unlike existing approaches that primarily rely on large-scale video corpora, MoWorld is built upon a scalable 3D-native data engine accumulated from our large-scale 3D vision and generative modeling pipeline, enabling the efficient construction of geometrically consistent training data across diverse real-world and synthetic environments. Based on this foundation, a curriculum cross-frame pre-training strategy for stable and scalable World Model learning, an efficient denoising-step distillation algorithm to reduce diffusion training cost, and a mixed-precision parallel inference framework for low-cost real-time deployment. MoWorld is the first real-time interactive World Model built on the Neural Processing Unit (NPU) and can achieves up to 50 FPS in such the devices, enabling practical and efficient deployment at scale. Comprehensive evaluations demonstrate that MoWorld achieves leading performance; notably, its average inference cost is only 30\%-50\% of that of existing World Models, providing a practical foundation for large-scale real-world applications of World Models. We also demonstrate diverse applications of MoWorld.
- Abstract（参考訳）: World Modelsの将来は、モデル能力のスケーリングだけでなく、実用性や推論効率のスケーリングにも依存する。
高フレームレート推論は、現実世界の自律システムにおける応答性知覚、計画、制御を可能にする。
この目的のために、我々は、データ生成、事前学習、蒸留、効率的な推論にまたがるエンドツーエンドフレームワークを備えたコスト効率のよい高性能なFlash World ModelであるMoWorldを紹介し、ハイエンドGPUを必要とせずに、最大50FPSの映像品質とのリアルタイムインタラクションを可能にする。
大規模な実世界のデプロイを可能にするため、MoWorldは開発パイプライン全体を通してモデル機能とコストを共同で最適化する。
特に、主に大規模なビデオコーパスに依存する既存のアプローチとは異なり、MoWorldは、我々の大規模3Dビジョンと生成モデリングパイプラインから蓄積されたスケーラブルな3Dネイティブなデータエンジンの上に構築されており、様々な現実世界と合成環境にわたって、幾何学的に一貫したトレーニングデータの効率的な構築を可能にしている。
この基盤に基づいて、安定的でスケーラブルなワールドモデル学習のためのカリキュラムのクロスフレーム事前学習戦略、拡散訓練コストを削減する効率的なデノジング・ステップ蒸留アルゴリズム、低コストのリアルタイム展開のための混合精度並列推論フレームワークを定めている。
MoWorldはNeural Processing Unit(NPU)上に構築された初めてのリアルタイムインタラクティブなワールドモデルであり、そのようなデバイスで最大50FPSを実現し、大規模に実用的で効率的なデプロイメントを可能にする。
総合的な評価は、MoWorldが先進的なパフォーマンスを実現していることを示している。特に、その平均推論コストは、既存のWorld Modelsの30～50パーセントに過ぎず、World Modelsの大規模な実世界のアプリケーションのための実践的な基盤を提供する。
MoWorldの多様な応用例も紹介する。
関連論文リスト
- MotuBrain: An Advanced World Action Model for Robot Control [23.733029557644354]
We present MotuBrain, a unified World Action Model that jointly model video and action under a UniDiffuser formulation。
単一のモデルは、ポリシー学習、世界モデリング、ビデオ生成、逆ダイナミクス、共同ビデオアクション予測をサポートする。
Motus上に構築されているMotuBrainは、言語と相互作用の結合を強くするための独立したテキストストリームである、統一されたマルチビューモデリングも導入している。
我々の推論スタックは、ステップの削減、コンパイル、FP8量子化、DiTキャッシュ、V2Aスタイルのアクション専用推論、リアルタイムチャンククループ実行を組み合わせたものです。
論文 参考訳（メタデータ） (2026-04-30T12:34:44Z) - Matrix-Game 3.0: Real-Time and Streaming Interactive World Model with Long-Horizon Memory [53.39687409541093]
Matrix-Game 3.0は、720pのリアルタイムビデオ生成用に設計されたメモリ拡張型インタラクティブワールドモデルである。
データ、モデル、推論にまたがる体系的な改善を導入する。
実験結果から, Matrix-Game 3.0は最大40FPSのリアルタイム生成を実現し, 5Bモデルで720pの解像度を実現した。
論文 参考訳（メタデータ） (2026-04-10T06:00:09Z) - Infinite-World: Scaling Interactive World Models to 1000-Frame Horizons via Pose-Free Hierarchical Memory [101.2076718776139]
複雑な実環境において,1000フレーム以上のコヒーレントな視覚記憶を維持することのできる,堅牢な対話型世界モデルを提案する。
我々は,歴史的潜水剤を固定予算の幾何学的表現に蒸留するpose-free Memory (HPMC)を導入する。
また,連続動作を三状態論理に識別する不確実性認識型アクションラベルモジュールを提案する。
論文 参考訳（メタデータ） (2026-02-02T17:52:56Z) - Mirage2Matter: A Physically Grounded Gaussian World Model from Video [87.9732484393686]
我々は、グラフィック駆動の世界モデリングおよびシミュレーションフレームワークであるSimulate Anythingを紹介する。
実世界の環境を3次元ガウススプレイティング(3DGS)による写実的シーン表現に再構築する。
次に、生成モデルを利用して、物理的に現実的な表現を復元し、精度校正ターゲットを介してシミュレーション環境に統合する。
論文 参考訳（メタデータ） (2026-01-24T07:43:57Z) - From Word to World: Can Large Language Models be Implicit Text-based World Models? [82.47317196099907]
エージェント強化学習は、経験駆動のスケーリングにますます依存している。
世界モデルは、シミュレートされた経験を通して学習効率を改善する潜在的方法を提供する。
大規模言語モデルがこの役割を確実に果たせるか,どのような条件でエージェントに有意義な利益をもたらすかを検討する。
論文 参考訳（メタデータ） (2025-12-21T17:28:42Z) - Motus: A Unified Latent Action World Model [31.62340897751899]
我々は、既存の一般的な事前学習モデルとリッチで共有可能な動き情報を活用する統合潜在行動世界モデルであるMotusを提案する。
実験により、Motusはシミュレーションと実世界のシナリオの両方において最先端の手法に対して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-12-15T06:58:40Z) - Neural Motion Simulator: Pushing the Limit of World Models in Reinforcement Learning [11.762260966376125]
モーションダイナミクスモデルは、効率的なスキル獲得と効果的なプランニングに不可欠である。
本稿では,脳神経運動シミュレータ (MoSim) を紹介する。
MoSimは物理状態予測において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-04-09T17:59:32Z) - EDELINE: Enhancing Memory in Diffusion-based World Models via Linear-Time Sequence Modeling [8.250616459360684]
EDELINEは、状態空間モデルと拡散モデルを統合する統一世界モデルアーキテクチャである。
我々のアプローチは、視覚的に困難なAtari 100kタスク、メモリ要求ベンチマーク、3DファーストパーソンのViZDoom環境において、既存のベースラインよりも優れています。
論文 参考訳（メタデータ） (2025-02-01T15:49:59Z) - WHALE: Towards Generalizable and Scalable World Models for Embodied Decision-making [40.53824201182517]
本稿では、一般化可能な世界モデルを学ぶためのフレームワークであるWHALEを紹介する。
Whale-STは、拡張一般化性を備えた時空間変圧器を用いたスケーラブルな世界モデルである。
また、Open X-Embodimentデータセットから970K軌道上でトレーニングされた414MパラメータワールドモデルであるWhale-Xを提案する。
論文 参考訳（メタデータ） (2024-11-08T15:01:27Z) - STORM: Efficient Stochastic Transformer based World Models for
Reinforcement Learning [82.03481509373037]
近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。
本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。
Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
論文 参考訳（メタデータ） (2023-10-14T16:42:02Z)
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。