論文の概要: PhiZero: A World Model Built Around Physical Language
- arxiv url: http://arxiv.org/abs/2607.28624v1
- Date: Thu, 30 Jul 2026 17:59:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.713271
- Title: PhiZero: A World Model Built Around Physical Language
- Title（参考訳）: PhiZero:物理言語を中心に構築された世界モデル
- Abstract要約: PhiZeroは物理言語を中心に構築された物理世界モデルである。
物理言語シーケンスとして将来の世界進化を推論し、推論された遷移をビデオにレンダリングする。
本研究では,現実的かつインタラクティブな世界モデリング,微粒な動作条件シミュレーション,ゼロショットモーショントランスファーの可能性を示す。
- 参考スコア（独自算出の注目度）: 50.268271884186845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce PhiZero, a physical world model built around physical language, a compact discrete representation of world-state transitions. Existing physical world models typically predict future videos directly in pixel space, leaving the underlying world dynamics implicit within high-dimensional visual predictors. Motivated by humans' ability to abstract predictive structure from visual experience and organize it in natural language for explicit reasoning, we learn physical language from in-the-wild videos through self-supervision and use it to explicitly reason about how the physical world evolves. Accordingly, PhiZero adopts a reason-then-render paradigm: it first infers future world evolution as a physical-language sequence and then renders the inferred transitions into videos. Extensive experiments across generation and understanding benchmarks validate the ability of PhiZero to model physically coherent world evolution. We further show its potential for realistic and interactive world modeling, fine-grained action-conditioned simulation, and zero-shot motion transfer.
- Abstract（参考訳）: 我々は物理言語を中心に構築された物理世界モデルであるPhiZeroを紹介した。
既存の物理世界モデルは、通常、ピクセル空間内での将来のビデオを直接予測し、基礎となる世界は高次元の視覚的予測器の中に暗黙的に残る。
人間の視覚的経験から予測構造を抽象化し,それを自然言語で整理する能力に触発された私たちは,自己スーパービジョンを通じて,フィールド内ビデオから物理言語を学び,物理的世界がどのように進化するかを明確に推論する。
したがって、PhiZeroは、まず物理言語シーケンスとして将来の世界進化を推論し、次に推論された動画への遷移をレンダリングする、理性理論を採用する。
生成と理解のベンチマークにわたる広範な実験は、物理的にコヒーレントな世界進化をモデル化するPhiZeroの能力を検証する。
さらに、現実的でインタラクティブな世界モデリング、きめ細かい動作条件シミュレーション、ゼロショットモーショントランスファーの可能性を示す。
関連論文リスト
- Code as Worlds: Agentic Discovery of Executable World Representations for Physical Reasoning [79.29811222102721]
実行可能な世界表現を通じて物理世界を表現するパラダイムであるCode-as-Worldを紹介する。
物理的な構成、動的進化、視覚的な外観を実行可能なコードとして表現することで、Code-as-Worldは物理的世界のコンパクトで定量的に基礎付けられ、制御可能な抽象化を提供する。
検証可能世界を用いて、定量的物理推論に基づく視覚言語モデルのトレーニングにスケーラブルな物理監視を提供する。
論文 参考訳（メタデータ） (2026-08-27T17:57:25Z) - Code World Model: Coding Agent as World Brain [51.31807545747191]
私たちは、世界進化と視覚的実現を分離するフレームワークであるCode World Modelを紹介します。
コーディングエージェントは世界脳として機能し、出来事とその結果について推論する。
実行可能状態と視覚的生成を結びつけるために,フレームの時間的制約をプロキシビデオにエンコードするプロキシ表現を導入する。
論文 参考訳（メタデータ） (2026-08-26T15:37:33Z) - WorldString: Actionable World Representation [29.267308971639682]
我々は,ポイントクラウドやRGB-Dビデオストリームから直接学習することで,実世界のオブジェクトの状態多様体をモデル化できるニューラルネットワークであるWorldStringを提案する。
WorldStringは物理世界モデルの基本的なビルディングブロックとして機能するので、WorldStringと名付けます。しかしながら、その完全に差別化可能な構造は、ポリシー学習とニューラルダイナミクスとの将来の統合をシームレスに実現します。
論文 参考訳（メタデータ） (2026-05-18T17:58:51Z) - PAN: A World Model for General, Interactable, and Long-Horizon World Simulation [49.805071498152536]
PANは、汎用的で対話性があり、長い水平世界モデルである。
歴史と自然言語のアクションを前提とした高品質なビデオシミュレーションにより、将来の世界の状態を予測します。
実験により, PANは行動条件付き世界シミュレーション, 長期予測, シミュレーション推論において高い性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-11-12T07:20:35Z) - WoW: Towards a World omniscient World model Through Embodied Interaction [83.43543124512719]
世界モデルの正当性的な物理的直観は、現実世界との広範囲で因果的に豊かな相互作用に基礎を置いていなければならない。
このWoWは、200万のロボットインタラクショントラジェクトリに基づいてトレーニングされた、ジェネレーティブな世界モデルである。
WoWBenchは、ビデオの物理的一貫性と因果推論に焦点を当てた新しいベンチマークである。
論文 参考訳（メタデータ） (2025-09-26T17:59:07Z) - Morpheus: Benchmarking Physical Reasoning of Video Generative Models with Real Physical Experiments [55.56181322973467]
物理推論に基づく映像生成モデル評価のためのベンチマークであるMorpheusを紹介する。
物理現象を捉えた80の現実世界のビデオが保存法によってガイドされている。
我々の研究結果によると、プロンプトやビデオコンディショニングが進んだとしても、現在のモデルは物理原理をエンコードするのに苦労している。
論文 参考訳（メタデータ） (2025-04-03T15:21:17Z)
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。