論文の概要: Code World Model: Coding Agent as World Brain

• arxiv url: http://arxiv.org/abs/2608.25927v1
• Date: Wed, 26 Aug 2026 15:37:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.889011
• Title: Code World Model: Coding Agent as World Brain
• Title（参考訳）: コードワールドモデル:世界脳としてのコーディングエージェント
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.31807545747191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World models aim to simulate how complex environments evolve under actions and events, yet existing video-based world models primarily learn dynamics from visual observations, which reveal outcomes rather than the underlying knowledge, rules, and mechanisms governing world evolution. This makes it difficult to maintain persistent consequences and support coherent, open-ended evolution. We introduce Code World Model, a framework that separates world evolution from visual realization by combining the reasoning and coding capabilities of language models with the generative priors of video models. A coding agent serves as the world brain, reasoning about events and their consequences and generating executable code to maintain persistent world state and perform rule-consistent evolution. To connect executable state with visual generation, we introduce a proxy representation that encodes frame-wise spatiotemporal constraints and is compiled into a proxy video, which conditions a video model to render high-fidelity visual observations. We further develop data pipelines for constructing aligned proxy-observation pairs from gameplay and real-world videos. After fine-tuning on paired gameplay data, MiniMax-H3 follows proxy-based spatiotemporal specifications from simple interactive worlds built by the coding agent while preserving rich visual details and dynamics. These results demonstrate the potential of combining code for persistent world evolution with video models for flexible visual realization, providing a new path toward open-ended world models.
• Abstract（参考訳）: 世界モデルは、アクションやイベントの下で複雑な環境がどのように進化するかをシミュレートすることを目的としているが、既存のビデオベースの世界モデルは、主に視覚的な観察からダイナミクスを学ぶ。 これにより、永続的な結果を維持することが難しくなり、一貫性があり、オープンな進化をサポートする。 我々は、言語モデルの推論能力とコーディング能力と、ビデオモデルの生成先行機能を組み合わせることで、世界の発展を視覚的実現から切り離すフレームワークであるCode World Modelを紹介した。 符号化エージェントは、世界脳として機能し、イベントとその結果について推論し、永続的な世界状態を維持し、規則に一貫性のある進化を実行するために実行可能なコードを生成する。 実行可能状態と視覚生成を結びつけるために,フレームワイズ時空間制約を符号化したプロキシ表現を導入し,ビデオモデルに高忠実度な視覚的観察を指示するプロキシビデオにコンパイルする。 さらに,ゲームプレイと実世界のビデオから協調したプロキシ・オブザーブレーションペアを構築するためのデータパイプラインを開発する。 ペア化されたゲームプレイデータを微調整した後、MiniMax-H3は、リッチな視覚的詳細とダイナミックスを保持しながら、コーディングエージェントによって構築された単純なインタラクティブな世界からプロキシベースの時空間仕様に従う。 これらの結果は、永続的世界進化のためのコードとフレキシブルな視覚的実現のためのビデオモデルを組み合わせる可能性を示し、オープンエンド世界モデルへの新たな道筋を提供する。

関連論文リスト

• Programmable World Model [37.43654073749753]
  本稿では、視覚的観察生成から世界状態の進化を分離するフレームワークであるProgrammable World Modelを紹介する。 エージェントは自然言語の命令をエンティティの状態と状態遷移規則を指定する実行可能なプログラムに変換する。 軽量エンジンはこれらのプログラムを実行し、明示的で永続的な世界状態を更新し維持する。
  論文  参考訳（メタデータ） (2026-09-09T17:59:32Z)
• AlayaWorld: Long-Horizon and Playable Video World Generation [36.52656377442462]
  インタラクティブな生成世界を構築するためのフルスタックのオープンソースフレームワークである textbfAlayaWorld を提示する。 AlayaWorldはオープンなリアルタイムインタラクションを可能にし、ユーザーは自由に戦闘、スペルキャスティング、モンスター呼び出しなどの多様なアクションを操作できる。
  論文  参考訳（メタデータ） (2026-07-07T13:59:57Z)
• LiveWorld: Simulating Out-of-Sight Dynamics in Generative Video World Models [32.92934803081681]
  近年の世代別ビデオワールドモデルは、視覚環境の進化をシミュレートすることを目的としており、観察者はカメラ制御によってシーンをインタラクティブに探索することができる。 彼らは、世界は観察者の視野内でしか進化しないと暗黙的に仮定している。 オブジェクトがオブザーバの視点を離れると、その状態はメモリ内で"凍結"され、その後同じ領域を再考しても、その間に発生すべき出来事を反映できないことがしばしばある。 永続的な世界進化をサポートするために,ビデオワールドモデルを拡張する新しいフレームワークであるLiveWorldを提案する。
  論文  参考訳（メタデータ） (2026-03-07T10:31:39Z)
• VDAWorld: World Modelling via VLM-Directed Abstraction and Simulation [23.86958300272144]
  VDAWorldは、視覚言語モデル(VLM)がインテリジェントなエージェントとして機能し、このプロセスを編成するフレームワークである。 VLMは、一連の視覚ツールから選択することで、グラウンドド(2Dまたは3D)シーン表現を自律的に構築する。 静的なシーンから潜在ダイナミクスを推論して、妥当な将来の状態を予測できる。
  論文  参考訳（メタデータ） (2025-12-11T19:21:47Z)
• 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)
• Simulating the Visual World with Artificial Intelligence: A Roadmap [48.64639618440864]
  ビデオ生成は、視覚的に魅力的なクリップを生成するものから、インタラクションをサポートし、物理的な可視性を維持する仮想環境を構築するものへとシフトしている。 この調査は、この進化の体系的な概要を提供し、現代のビデオ基盤モデルを2つのコアコンポーネントの組み合わせとして概念化した。 4世代にわたる映像生成の進展を追究し,本質的な物理的妥当性を具現化した映像生成モデルを構築した。
  論文  参考訳（メタデータ） (2025-11-11T18:59:50Z)
• Can World Models Benefit VLMs for World Dynamics? [59.73433292793044]
  本研究では,世界モデル先行モデルがビジョンランゲージモデルに移行した場合の能力について検討する。 最高の性能を持つDynamic Vision Aligner (DyVA) と名付けます。 DyVAはオープンソースとプロプライエタリの両方のベースラインを超え、最先端または同等のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-10-01T13:07:05Z)
• iVideoGPT: Interactive VideoGPTs are Scalable World Models [70.02290687442624]
  世界モデルは、現実の意思決定のために想像された環境の中で、モデルベースのエージェントを対話的に探索し、推論し、計画することを可能にする。 マルチモーダルな信号 – 視覚的観察,アクション,報酬 – を統合した,スケーラブルな自己回帰型トランスフォーマーフレームワークであるInteractive VideoGPTを導入する。 iVideoGPTは、高次元の視覚的観察を効率的に識別する新しい圧縮トークン化技術を備えている。
  論文  参考訳（メタデータ） (2024-05-24T05:29:12Z)
• WorldDreamer: Towards General World Models for Video Generation via Predicting Masked Tokens [75.02160668328425]
  本稿では,世界物理学と運動の包括的理解を促進する先駆的な世界モデルであるWorldDreamerを紹介する。 WorldDreamerは、教師なしのビジュアルシーケンスモデリングチャレンジとして世界モデリングをフレーム化している。 我々の実験によると、WorldDreamerは自然のシーンや運転環境など、さまざまなシナリオでビデオを生成するのに優れています。
  論文  参考訳（メタデータ） (2024-01-18T14:01:20Z)

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。