論文の概要: World-Coherent Decoding: Self-Verifying Test-Time Planning for World Action Models
- arxiv url: http://arxiv.org/abs/2609.02159v1
- Date: Wed, 02 Sep 2026 06:21:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.103836
- Title: World-Coherent Decoding: Self-Verifying Test-Time Planning for World Action Models
- Title（参考訳）: World-Coherent Decoding: World Action Modelの自己検証テスト時間計画
- Abstract要約: World-Coherent-Decoding (WCD)は、WAMのための自己検証テスト時間計画フレームワークである。
WCDは、将来の候補選択のための軽量オンライン予測器を訓練する。
RoboTwin 2.0では、WCDは限定的なランダム化シーンの監督の下でハードな成功を55.80%ドルから60.90%ドルに改善し、Horizon-3タスクでは+16.43ドルが上昇した。
WAMのテストタイムスケーリングは、信頼できるものを選択することよりも、より多くの未来をサンプリングすることに依存します。
- 参考スコア（独自算出の注目度）: 20.97725301919032
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World Action Models (WAMs) aim to control robots by stochastically generating visual futures and then decoding actions, but empirical observations indicate that the results can strongly depend on which future is selected. We propose World-Coherent-Decoding (WCD), a self-verifying test-time planning framework that treats WAM rollouts as falsifiable future--action hypotheses. At each decision step, WCD samples multiple candidates from a frozen WAM and ranks them using internal generative signals: flow-based video surprisal for visual plausibility and action path effort for action-generation stability. After execution, the realized observation audits the selected imagination, yielding an imagination--reality mismatch that trains a lightweight online predictor for future candidate selection. Thus, WCD converts delayed self-verification into pre-execution reliability estimation without updating the backbone model. On RoboTwin 2.0, WCD improves Hard success under limited randomized-scene supervision from $55.80\%$ to $60.90\%$, with a $+16.43$ gains on Horizon-3 tasks, and shows qualitative robustness on real Franka visual-shift tests. These results highlight a simple principle: test-time scaling for WAMs depends less on sampling more futures than on selecting reliable ones.
- Abstract（参考訳）: 世界行動モデル(WAM)は,視覚的未来を確率的に生成し,行動の復号化によってロボットを制御することを目的としている。
本稿では,WAMロールアウトをFalsible future-action仮説として扱う自己検証テスト時間計画フレームワークであるWorld-Coherent-Decoding(WCD)を提案する。
各決定ステップにおいて、WCDは凍結したWAMから複数の候補を抽出し、内部生成信号を用いてランク付けする。
実行後、実現された観察は、選択した想像力を監査し、将来の候補選択のために軽量なオンライン予測器を訓練する、想像上の現実的ミスマッチを生成する。
したがって、WCDは、バックボーンモデルを更新することなく、遅延自己検証を事前実行信頼性推定に変換する。
RoboTwin 2.0 では、WCD は限定的なランダム化シーンの監督下でのハードな成功を 55.80\% から 60.90\% に改善し、Horizon-3 のタスクに+16.43$ のゲインを与え、実際のフランカの視覚シフトテストで質的な堅牢性を示す。
WAMのテストタイムスケーリングは、信頼できるものを選択することよりも、より多くの未来をサンプリングすることに依存します。
関連論文リスト
- WISE: World-model-guided Imagination Scheduling for Efficient Post-training of Vision-Language-Action Models [7.861070986808876]
訓練後のVLAポリシーは一般的に、高価で不安定な現実世界の探査で監督された微調整に依存している。
WISE (World-model-guided Imagination Scheduling for Efficient Post-Training of Vision-Language-Action Models) は、政策改善において、いつ、どのように世界モデルイマジネーションが使用されるかを調整する統合フレームワークである。
論文 参考訳（メタデータ） (2026-09-03T11:17:57Z) - Discriminative World Models for Web Agents [52.31107486410659]
最近のWebエージェントは、テストタイムアクションの選択に世界モデルを使用し、候補アクションをサンプリングし、結果のWeb状態を予測し、ランキングモデルまたはプロセスリワードモデル(PRM)でランキングする。
予測状態マッチング(英: predict-state matching)は、予測された表現が真の結果状態と、代替行動によって到達した状態とを区別しなければならない訓練目的である。
提案手法は,WebPRMBench上でのPRMスタイルのアクションランキングを改善する。
論文 参考訳（メタデータ） (2026-09-02T17:59:40Z) - TrAct: Bridging Robot Control and Visual Prediction with Visual Tracks [22.702826122425268]
制御と予測の中間インタフェースとして視覚トラックを用いた世界モデルに基づくロボット意思決定フレームワークTrActを提案する。
TrActは3つのコンポーネントから構成される: ビジョン・ランゲージ・アクション・アンド・トラックモデル(VLAT)は、現在の観察と言語指導から候補行動と対応する視覚トラックを共同で予測し、トラック条件付き世界モデル(TWM)は、提案されたトラックで条件付けられた将来の視覚結果を予測する。
論文 参考訳（メタデータ） (2026-08-25T06:00:01Z) - MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [14.76812870029721]
MoP-JEPAは、有限個の候補セットを1つのパスで生成する。
ホールドアウトのOGBenchトランジションでは、単一出力予測器によるグラフ検索が0.02$--0.09$のクエリで成功し、MoP-JEPAは0.85$に達した。
論文 参考訳（メタデータ） (2026-07-06T15:47:37Z) - Paying More Attention to Visual Tokens in Self-Evolving Large Multimodal Models [54.097381112138]
現在の自己進化型LMMは、イメージキャプションや視覚的質問応答といった視覚言語理解タスクに苦慮している。
モデルの視覚条件を直接正規化する,純粋に教師なしの自己進化型フレームワークであるVISEを提案する。
VISEは、専門的な役割、外部報酬モデル、アノテーションなしで単一のモデル内で動作します。
論文 参考訳（メタデータ） (2026-06-25T17:59:55Z) - DIRECT: When and Where Should You Allocate Test-Time Compute in Embodied Planners? [57.585275546688116]
VLM(Vision-Language Models)は、エンボディエージェントの高レベルプランナーとしてますます普及している。
テストタイムの計算をいつ、どこで使うかを選択することは、実際の世界にフロンティアパフォーマンスをもたらす中心である、と私たちは主張する。
我々はマルチモーダルシーンコンテキストを用いてプロンプト毎に計算を割り当てるルーティングフレームワークであるDIRECTを紹介した。
論文 参考訳（メタデータ） (2026-06-10T17:58:49Z) - PRISM: PRior-guided Imagination Sampling in world Models [7.304186330343712]
PRISMは1つのデータセットから両方を抽出するタスクに依存しないフレームワークである。
PRISMは、Cube上のバニラワールドモデルベースのMPCよりも35パーセント、PushTでは32パーセント、成功率を改善する。
論文 参考訳（メタデータ） (2026-06-06T04:18:10Z) - World Models Meet Language Models: On the Complementarity of Concrete and Abstract Reasoning [67.93052893044603]
本研究では,抽象的推論を伴う視覚的未来のシミュレーションを,モデルがどのように実行し,検証し,統合するかを考察する。
PF-OPSDは、教師側の特権的文脈としてのみ、地道な未来のビデオと回答を使用して、政治上の具体的な軌道を評価する。
論文 参考訳（メタデータ） (2026-06-02T13:07:49Z) - When to Trust Imagination: Adaptive Action Execution for World Action Models [42.51856318901667]
世界行動モデル(WAM)は、近ごろ、将来の視覚的観察と将来の行動を共同で予測することによって、ロボット操作のための有望なパラダイムとして登場した。
現在のWAMは、各モデル推論の後、一定の数の予測アクションを実行し、ロボットは、想像された未来が実際の物理的なロールアウトと一致しているかどうかを無視する。
我々は,将来性検証問題として適応型WAM実行を定式化し,WAM予測された未来が信頼性を保ちながらロボットはより長く実行すべきであり,現実が想像力から逸脱した場合にはより早く再計画する。
論文 参考訳（メタデータ） (2026-05-07T13:18:28Z) - World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry [82.93104394404781]
汎用世界モデルは、スケーラブルなポリシー評価、最適化、計画を約束します。
本稿では,世界モデルによる予測誤りと自己改善を識別するフレームワークであるWorld Action Verifier(WAV)を提案する。
論文 参考訳（メタデータ） (2026-04-02T12:48:36Z) - Fluid: Scaling Autoregressive Text-to-image Generative Models with Continuous Tokens [53.99177152562075]
視覚における自己回帰モデルのスケールアップは、大きな言語モデルほど有益でないことが証明されている。
モデルが離散トークンを使用するか、連続トークンを使用するか、BERTやGPTのようなトランスフォーマーアーキテクチャを用いてランダムまたは固定順序でトークンを生成するか、という2つの重要な要素に焦点を当てる。
その結果,すべてのモデルが検証損失の点で効果的にスケールしているのに対して,評価性能はFID,GenEvalスコア,視覚的品質などによって異なる傾向を呈することがわかった。
論文 参考訳（メタデータ） (2024-10-17T17:59:59Z)
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。