論文の概要: PAWBench: How Far Are We from Probabilistically Aligned World Modeling?

• arxiv url: http://arxiv.org/abs/2608.27345v1
• Date: Thu, 27 Aug 2026 16:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.495082
• Title: PAWBench: How Far Are We from Probabilistically Aligned World Modeling?
• Title（参考訳）: PAWBench: 確率論的にアライメントされた世界モデリングからどのくらい離れていますか?
• Authors: Yuandong Pu, Le Zhuo, Sayak Paul, Gabriel Jorge Menezes, Avram Đorđević, Shiyang Li, Yifan Zhou, Bin Fu, Wenlong Zhang, Junjun He, Yu Qiao, Yihao Liu, Jingbo Xing, Xi Chen,
• Abstract要約: この分布レベルの要件を確率的アライメント(probabilistic alignment)と呼ぶ。 PAWBenchは、ビデオジェネレータを世界ダイナミクスのサンプルとして評価するためのベンチマークである。 本稿では、繰り返しビデオのロールアウトを経験的分布に変換する結果レベルプロトコルであるPAWEvalを紹介する。
• 参考スコア（独自算出の注目度）: 56.77438462145147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent video generation models are increasingly framed as world models. Many physical processes can unfold in more than one valid way. Therefore, a world model should reproduce not only a plausible trajectory, but also the distribution of possible behaviors under the same initial observation and action. We call this distribution-level requirement probabilistic alignment. However, existing evaluations largely assess individual-video plausibility and do not test whether repeated generations recover the correct distribution. This raises a central question: how far are current video generators from probabilistically aligned world modeling? To answer it, we formalize probabilistic alignment as a distributional criterion for world models and introduce PAWBench, a benchmark for evaluating video generators as stochastic samplers of world dynamics. We further introduce PAWEval, an outcome-level protocol that converts repeated video rollouts into empirical distributions over possible physical behaviors. Across 50 scenarios and eleven current systems, no model consistently matches the reference probabilities while recovering the range of valid behaviors. Having established this gap, we test whether language prompts, initial noise sampling, or model training can reshape the model's predictive distribution. We believe our work can serve as a foundation for future efforts to move towards probabilistically aligned world modeling.
• Abstract（参考訳）: 最近のビデオ生成モデルは、ますます世界モデルとしてフレーム化されている。 多くの物理過程は複数の有効な方法で展開することができる。 したがって、世界モデルは、可塑性軌道だけでなく、同じ初期観測と行動の下で起こりうる行動の分布を再現すべきである。 この分布レベルの要件を確率的アライメント(probabilistic alignment)と呼ぶ。 しかし、既存の評価では、個々のビデオの可視性を評価し、繰り返し世代が正しい分布を回復するかどうかを検査しない。 現在のビデオジェネレータは、確率論的に整合した世界モデリングからどのくらいの距離にあるのか? そこで我々は,確率的アライメントを世界モデルの分布基準として定式化し,ビデオジェネレータを確率的サンプルとして評価するためのベンチマークであるPAWBenchを導入する。 さらに、繰り返しビデオのロールアウトを物理的挙動に関する経験的分布に変換する結果レベルプロトコルであるPAWEvalについても紹介する。 50のシナリオと11の現在のシステムでは、モデルが常に参照確率と一致せず、有効な振る舞いの範囲を回復する。 このギャップを確立し、言語プロンプト、初期ノイズサンプリング、モデルトレーニングがモデルの予測分布を再構築できるかどうかをテストする。 我々は,我々の研究が,確率論的に整合した世界モデリングに向けた将来の取り組みの基盤となると信じている。

関連論文リスト

• A Probabilistic Perspective on Model Collapse [9.087950471621653]
  本研究の目的は,モデル崩壊の発生条件と,その緩和方法である。 軽度条件下では,モデルの崩壊を防止するために,各トレーニングステップにおけるサンプルサイズを徐々に増加させる必要があることを厳格に示す。 また, 合成データを用いた学習が, 実データのみを用いた学習よりも優れるモデルを生み出す可能性についても検討した。
  論文  参考訳（メタデータ） (2025-05-20T05:25:29Z)
• How Far is Video Generation from World Model: A Physical Law Perspective [101.24278831609249]
  OpenAIのSoraは、物理法則に準拠した世界モデルを開発するためのビデオ生成の可能性を強調している。 しかし、ビデオ生成モデルが人間の先行しない視覚データから純粋にそのような法則を発見する能力に疑問を投げかけることができる。 本研究は,3つの主要なシナリオ – 分布内,分布外,一般化 – について評価する。
  論文  参考訳（メタデータ） (2024-11-04T18:53:05Z)
• Learning Chaotic Systems and Long-Term Predictions with Neural Jump ODEs [4.204990010424083]
  パス依存型ニューラルジャンプODE (PDNJ-ODE) は、不規則な(時間内に)および潜在的に不完全(座標に関して)な、一般的なプロセスのオンライン予測モデルである。 本研究では,2つの新しいアイデアによってモデルを強化し,互いに独立してモデル設定の性能を向上させる。 同じ拡張を使用して、PDNJ-ODEが標準モデルが失敗する一般的なデータセットの長期的な予測を確実に学習することができる。
  論文  参考訳（メタデータ） (2024-07-26T15:18:29Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• Learning and Predicting Multimodal Vehicle Action Distributions in a Unified Probabilistic Model Without Labels [26.303522885475406]
  本稿では、個別の車両行動の代表集合を学習し、特定のシナリオに応じて各行動の確率を予測する統一確率モデルを提案する。 我々のモデルはまた、シナリオ上で条件付けられた連続的な軌道上の分布を推定することができ、そのシナリオで実行された場合、それぞれの離散アクションがどのように見えるかを表現します。
  論文  参考訳（メタデータ） (2022-12-14T04:01:19Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• Why do classifier accuracies show linear trends under distribution shift? [58.40438263312526]
  あるデータ分布上のモデルの精度は、別の分布上の精度のほぼ線形関数である。 2つのモデルが予測で一致する確率は、精度レベルだけで推測できるものよりも高いと仮定します。 分布シフトの大きさが大きければ, 2 つの分布のモデルを評価する場合, 線形傾向が生じなければならない。
  論文  参考訳（メタデータ） (2020-12-31T07:24:30Z)

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。