論文の概要: Code as Worlds: Agentic Discovery of Executable World Representations for Physical Reasoning

• arxiv url: http://arxiv.org/abs/2608.27549v1
• Date: Thu, 27 Aug 2026 17:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.104692
• Title: Code as Worlds: Agentic Discovery of Executable World Representations for Physical Reasoning
• Title（参考訳）: 世界としてのコード:物理推論のための実行可能な世界表現のエージェント発見
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 79.29811222102721
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Physical understanding and reasoning depend on forming compact and generalizable representations of the world. While modern vision-language models can recognize and explain diverse physical events, they often lack explicit representations of the underlying mechanisms-such as object states, physical parameters, and governing dynamics-needed for reliably reasoning how the world evolves and responds to interventions. In this work, we introduce Code-as-World, a paradigm that represents physical worlds through executable world representations. By expressing physical composition, dynamic evolution, and visual appearance as executable code, Code-as-World provides a compact, quantitatively grounded, and controllable abstraction of the physical world. To construct such representations from multimodal observations, such as natural-language descriptions or real-world videos, we develop an agentic discovery loop inspired by abductive reasoning, where an agent proposes, executes, renders, verifies, and iteratively refines executable world hypotheses. As a concrete application, we use verified executable worlds to provide scalable physical supervision for training vision-language models on quantitative physical reasoning. Experiments show that Code-as-World-VL achieves state-of-the-art performance on QuantiPhy and surpasses leading proprietary models, highlighting the potential of executable world representations as a scalable foundation for physical intelligence.
• Abstract（参考訳）: 物理的理解と推論は、世界のコンパクトで一般化可能な表現を形成することに依存する。 現代の視覚言語モデルは様々な物理的事象を認識し、説明することができるが、それらはしばしば、オブジェクトの状態、物理的パラメータ、そして、世界がどのように進化し、介入に反応するかを確実に推論するために、支配するダイナミクスのような基盤となるメカニズムの明示的な表現を欠いている。 本研究では,実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。 このような表現を自然言語記述や実世界ビデオなどのマルチモーダルな観察から構築するために,エージェントが提案,実行,レンダリング,検証を行い,実行可能な世界仮説を反復的に洗練する,帰納的推論にインスパイアされたエージェント発見ループを開発する。 具体的な応用として、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督を提供する。 実験によると、Code-as-World-VLはQuantiPhyの最先端のパフォーマンスを達成し、主要なプロプライエタリモデルを超え、物理インテリジェンスのスケーラブルな基盤として実行可能な世界表現の可能性を強調している。

関連論文リスト

• PhiZero: A World Model Built Around Physical Language [50.268271884186845]
  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。
  論文  参考訳（メタデータ） (2026-07-30T17:59:46Z)
• Physical Object Understanding with a Physically Controllable World Model [11.085294403458972]
  ビジュアルインテリジェンスにおける中心的な課題は、生のビデオからシーンの物理的構造を学ぶことである。 本稿では,視覚変数の確率推定を支援する確率論的世界モデルについて紹介する。 私たちの世界モデルは3Dでオブジェクトを操作できることを示し、Visual Jengaのようなアプリケーションを可能にします。
  論文  参考訳（メタデータ） (2026-05-30T00:10:32Z)
• Visual Generation Unlocks Human-Like Reasoning through Multimodal World Models [60.543714835980325]
  人間は、これらのモデル内の概念を操作することによって、内的世界モデルと理性を構築する。 近年のAIの進歩は、世界モデルが大きな言語モデルに埋め込まれていると信じられている人間の認知能力に近似している。 本稿では,視覚生成が推論にどのような効果をもたらすかについて,最初の原理的考察を行った。
  論文  参考訳（メタデータ） (2026-01-27T17:40:07Z)
• Do-Undo: Generating and Reversing Physical Actions in Vision-Language Models [57.71440995598757]
  我々は,視覚言語モデルにおける重要なギャップに対処するために,Do-Undoタスクとベンチマークを導入する。 Do-Undoは、物理的な行動の結果をシミュレートし、それを正確に反転させるモデルを必要とし、視覚の世界における真の原因と効果を反映している。
  論文  参考訳（メタデータ） (2025-12-15T18:03:42Z)
• WorldLens: Full-Spectrum Evaluations of Driving World Models in Real World [100.68103378427567]
  エージェントは現実的な4D駆動環境を合成し、説得力があるように見えるが、物理的または行動的に失敗することが多い。 モデルがどのように構築され、理解され、その生成された世界の中でどのように振る舞うかを評価するフルスペクトルベンチマークであるWorldLensを紹介します。 さらに、数値的なスコアとテキストの合理性を備えた人間の注釈付きビデオの大規模データセット WorldLens-26K を構築し、WorldLens-Agent を開発した。
  論文  参考訳（メタデータ） (2025-12-11T18:59:58Z)
• 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)
• Four Principles for Physically Interpretable World Models [1.9573380763700712]
  世界モデルにおける潜在表現には、意味のある物理量とダイナミクスへの直接マッピングがない。 我々は、物理的に情報を得た世界モデルから物理的に解釈可能な世界モデルへの根本的なシフトを論じる。
  論文  参考訳（メタデータ） (2025-03-04T00:19:32Z)

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。