論文の概要: Thinking in Video: Can Video Generators Really Reason About the Real World?

• arxiv url: http://arxiv.org/abs/2607.17523v1
• Date: Mon, 20 Jul 2026 03:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.493626
• Title: Thinking in Video: Can Video Generators Really Reason About the Real World?
• Title（参考訳）: ビデオで考える:ビデオ・ジェネレーターは現実世界について本当に理にかなっているのか?
• Abstract要約: ビデオで考えることは、ビデオが単なる出力アーティファクトではなく、因果的思考を構築し、拡張し、検証するための媒体である。 本稿では,2つの視点から世界一貫性モデルを監査するCausal-Generative Dual-Judge(DJCG)を紹介する。 オープンソースモデルは、ほとんどゼロの明示的な因果認識にもかかわらず、プラウザブルなダイナミクスを生成するのに対し、高度なクローズドソースシステムは、推論と生成の間には強いが、それでも限定的な整合性を示す。
• 参考スコア（独自算出の注目度）: 48.57950330221376
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in world models and video generation have given rise to an emerging reasoning paradigm that leverages video generative models to simulate, predict, and reason about real-world dynamics. We redefine this paradigm as Thinking in Video, where video is not merely an output artifact but a medium for constructing, extending, and verifying causal thought. However, this promise remains unverified: convincing rollouts may reflect memorized appearances rather than causal understanding, while existing metrics separate perceptual fidelity from semantic logic. To evaluate whether video generators support such reasoning, we introduce the Causal-Generative Dual-Judge (CGDJ), auditing World Model Consistency from two perspectives. Explicit Causal Perception tests whether a generator reads a video scenario as a reasoning problem through spatio-temporal flattened visual question answering, while Implicit Generative Perception-Prediction Gap evaluates whether it renders the causal consequence as a consistent future video. Applying CGDJ to representative open- and closed-source generators reveals a clear Perception-Prediction Gap: open-source models produce plausible dynamics despite near-zero explicit causal perception, whereas advanced closed-source systems show stronger but still limited alignment between reasoning and generation. Further analysis exposes audio-visual misalignment, where models verbalize correct causal logic more reliably than they render it, challenging the "world simulator" narrative.
• Abstract（参考訳）: 近年のワールドモデルとビデオ生成の進歩は、ビデオ生成モデルを利用して現実世界のダイナミクスをシミュレートし、予測し、推論する新たな推論パラダイムを生み出している。 ビデオは単なる出力アーティファクトではなく、因果的思考の構築、拡張、検証のための媒体である。 説得力のあるロールアウトは因果的理解よりも記憶された外観を反映する可能性があるが、既存のメトリクスは意味論的論理と知覚的忠実さを区別している。 映像生成装置がそのような推論をサポートするかどうかを評価するため,2つの視点から世界モデル一貫性の監査を行うCGDJ(Causal-Generative Dual-Judge)を導入する。 Indicit Generative Perception-Prediction Gapは、因果関係が一貫した将来のビデオであるかどうかを評価する。 CGDJをオープンソースおよびクローズドソースジェネレータに適用すると、パーセプション・プレディションギャップが明らかになる。 さらなる分析は、モデルが正しい因果論理をレンダリングするよりも確実に言語化し、"世界シミュレータ"の物語に挑戦する、オーディオと視覚のミスアライメントを露呈する。

関連論文リスト

• Autonomous Video Generation with Counterfactual Controllability for Self-Evolving World Models [40.57509385724164]
  既存の文献では、ビデオ生成は基本的に世界モデリングであると主張している。 本稿では,対物制御性を備えた自律型ビデオ生成という新たな視点を提案する。
  論文  参考訳（メタデータ） (2026-06-23T05:19:47Z)
• WorldReasonBench: Human-Aligned Stress Testing of Video Generators as Future World-State Predictors [45.545823511469166]
  本稿では,映像生成評価を世界状態予測として再設定するWorldReasonBenchを紹介する。 人手による2部構成手法を用いて生成した映像の評価を行った。 WorldRewardBenchは、約6Kのエキスパートアノテートされたペアが1.4Kビデオに対して設定された選好ベンチマークである。
  論文  参考訳（メタデータ） (2026-05-11T12:06:57Z)
• MME-CoF-Pro: Evaluating Reasoning Coherence in Video Generative Models with Text and Visual Hints [95.27042253462963]
  MME-CoF-Proはビデオモデルにおける推論コヒーレンスを評価するベンチマークである。 MME-CoF-Proは、視覚論理学から科学的推論まで、16のカテゴリにわたる303のサンプルを含んでいる。
  論文  参考訳（メタデータ） (2026-03-20T17:59:56Z)
• Are Video Models Ready as Zero-Shot Reasoners? An Empirical Study with the MME-CoF Benchmark [124.00111584020834]
  我々は、ビデオモデルがゼロショット推論器として機能する準備が整っているかどうかを実証研究する。 私たちは、人気の高いVeo-3に注力しています。 我々は,空間的,幾何学的,物理的,時間的,具体的論理を含む12次元にわたる推論行動を評価する。
  論文  参考訳（メタデータ） (2025-10-30T17:59:55Z)
• When Thinking Drifts: Evidential Grounding for Robust Video Reasoning [68.75730050161219]
  CoT(Chain-of-Thought)メカニズムは、テキストベースのタスクにおける推論を強化した。 CoTはビデオ推論のパフォーマンスを劣化させ、冗長だが内部のモノローグを誤解させる。 ビジュアルエビデンス・リワード(Visual Evidence Reward、VER)は、ビジュアルエビデンスに根ざした推論トレースの生成に明示的に報いる強化学習フレームワークである。
  論文  参考訳（メタデータ） (2025-10-07T16:03:33Z)
• Counterfactual reasoning: an analysis of in-context emergence [57.118735341305786]
  我々は、言語モデルが反実的推論が可能なことを示す。 自己注意、モデル深度、トレーニング済みデータの多様性によってパフォーマンスが向上することがわかった。 以上の結果から, SDE 動態下での反実的推論が可能となった。
  論文  参考訳（メタデータ） (2025-06-05T16:02:07Z)
• Visual Abductive Reasoning [85.17040703205608]
  帰納的推論は、部分的な観察の可能な限りの可能な説明を求める。 本稿では,日常的な視覚的状況下でのマシンインテリジェンスの帰納的推論能力を調べるために,新たなタスクとデータセットであるVisual Abductive Reasoning(VAR)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T10:17:03Z)

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。