論文の概要: OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining

• arxiv url: http://arxiv.org/abs/2609.07398v1
• Date: Mon, 07 Sep 2026 12:12:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 00:29:25.596915
• Title: OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining
• Title（参考訳）: OpenWAM: システム的ワールドアクションモデル事前トレーニングに向けたオープンでモジュール的な探索
• Abstract要約: 我々は、オープンな研究スタックであるOpenWAMを紹介し、ワールドアクション事前学習を制御された実験プログラムに変換する。 約6,400時間の人間とロボットのデータに基づいて事前訓練されたオープンWAMであるOpenWAM-は、シミュレーションと実世界のベンチマークで評価されている。
• 参考スコア（独自算出の注目度）: 65.60703573854387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World-Action Models inherit world knowledge from video-generative priors, and channel it into executable control signals through embodied experience. Existing systems, however, are monolithic: the generative backbone, visual representation, architecture, information flow, inference procedure, and training data are tightly coupled, obscuring which design choices matter and why. We introduce OpenWAM, an open research stack that turns world-action pretraining into a controlled experimental program. OpenWAM-Infra factorizes the WAM design space into composable modules with unified training, inference, deployment, and evaluation. On this substrate, OpenWAM-Study examines three questions through controlled experiments: what to inherit, how world and action learning interact, and how their synergy scales; and distills three principles: upstream knowledge transfers through a sufficiently capable generative backbone and a compact, information-rich latent space; world-action synergy requires dedicated action capacity, explicit world-to-action information flow, and synchronized joint denoising; and embodied pretraining principally improves out-of-domain generalization, with one-stage co-training over egocentric and robot data integrating world coverage and action grounding. Composing these principles, we build OpenWAM-α, an open WAM pretrained on roughly 6,400 hours of egocentric human and robot data and evaluated across simulation and real-world benchmarks. Across the eight simulation benchmarks and the real-robot experiments, which together span embodiments from single-arm and bimanual manipulation to dexterous hands, OpenWAM-α delivers consistently excellent performance, sustaining its top-tier standing from simulation to the physical world. We release the full stack, including infrastructure, evaluation protocols, pretrained models, and data recipes, to facilitate future research.
• Abstract（参考訳）: ワールド・アクション・モデル(World-Action Model)は、ビデオ生成前の知識から世界知識を継承し、経験を具現化して実行可能な制御信号に伝達する。 生成的バックボーン、視覚的表現、アーキテクチャ、情報フロー、推論手順、トレーニングデータは緊密に結合され、どの設計選択が重要でなぜ重要なのか分からない。 我々は、オープンな研究スタックであるOpenWAMを紹介し、ワールドアクション事前学習を制御された実験プログラムに変換する。 OpenWAM-Infraは、WAM設計空間を統一的なトレーニング、推論、デプロイメント、評価を備えた構成可能なモジュールに分解する。 この基板上で、OpenWAM-Studyは、どのような継承方法、世界とアクションラーニングがどのように相互作用し、どのようにシナジースケールをスケールするか、そして3つの原則を抽出する: 十分に能力のある生成的バックボーンとコンパクトで情報に富んだ潜在空間を通して上流の知識を伝達する; 世界アクションシナジーは専用の行動能力、明示的な世界対アクション情報フロー、同期化された共同認知を必要とする。 これらの原則を具体化し,約6,400時間の人間とロボットのデータを事前訓練したオープンWAMであるOpenWAM-αを構築し,シミュレーションと実世界のベンチマークで評価した。 8つのシミュレーションベンチマークと実ロボット実験は、シングルアームやバイマダル操作から器用な手まで実施されているが、OpenWAM-αは一貫して優れた性能を発揮し、シミュレーションから物理世界への最上位の地位を維持している。 インフラ、評価プロトコル、事前訓練されたモデル、データレシピを含む全スタックをリリースし、将来の研究を促進する。

関連論文リスト

• World-Action Models for Robot Learning and Control: A Survey [41.45329550202786]
  世界モデル、ビデオ生成、ビジョン・ランゲージ・アクション(VLA)政策の最近の進歩は、ワールド・アクション・モデル(WAM)の発展を動機づけている。 この調査は、WAMのロボティクス指向のレビューを提供する。 我々は、従来の世界モデル、モデルに基づく強化学習、アクション条件付きビデオ生成、リアクティブVLAポリシーに対するそれらのスコープを明確にし、統一された分類法によって既存の手法を整理する。 我々は,行動アライメント,世界行動の分解,空間的・多視点整合性,長期記憶,閉ループ政策学習のためのニューラルシミュレーション,効率的な推論における重要な課題について議論する。
  論文  参考訳（メタデータ） (2026-09-13T16:35:56Z)
• Plan in Sandbox, Navigate in Open Worlds: Learning Physics-Grounded Abstracted Experience for Embodied Navigation [63.11032720821731]
  textitSAGEは、エージェントがフォトリアリスティックなシミュレーションではなく、物理基底のセマンティック抽象化内で学習することを可能にするフレームワークである。 textitSAGEは、A-EQA上で53.21% LLM-Match Success Rateを達成することで、プランナー支援の実施ナビゲーションを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2026-05-11T07:34:30Z)
• daVinci-LLM:Towards the Science of Pretraining [58.6458452580545]
  daVinci-LLMは、産業規模の資源と完全な研究自由を組み合わせて、事前訓練の科学を前進させる。 完全なデータ処理パイプライン、完全なトレーニングプロセス、体系的な調査結果をリリースしています。
  論文  参考訳（メタデータ） (2026-03-28T07:00:49Z)
• Building Explicit World Model for Zero-Shot Open-World Object Manipulation [30.004607772330473]
  オープンワールド操作のための明示的世界モデルベースのフレームワークを提案する。 このフレームワークは、オープンセットの認識、デジタル双対再構築、インタラクション戦略のサンプリングと評価を統合している。 提案するフレームワークは,タスク固有の動作デモを伴わずに,複数のオープンセット操作タスクを実行できる。
  論文  参考訳（メタデータ） (2026-03-14T08:13:32Z)
• Genie Envisioner: A Unified World Foundation Platform for Robotic Manipulation [69.30586607892842]
  我々は,ロボット操作のための統一世界基盤プラットフォームであるGenie Envisioner(GE)を紹介する。 GEは、ポリシー学習、評価、シミュレーションを単一のビデオ生成フレームワークに統合する。
  論文  参考訳（メタデータ） (2025-08-07T17:59:44Z)
• Detecting and Learning Out-of-Distribution Data in the Open world: Algorithm and Theory [15.875140867859209]
  この論文は、特にオープンワールドシナリオのコンテキストにおいて、機械学習の領域に貢献する。 オープンワールド機械学習に不可欠な2つの段階:アウト・オブ・ディストリビューション(OOD)検出とオープンワールド表現学習(ORL)
  論文  参考訳（メタデータ） (2023-10-10T00:25:21Z)
• Pre-training Contextualized World Models with In-the-wild Videos for Reinforcement Learning [54.67880602409801]
  本稿では,視覚制御タスクの学習を効率的に行うために,Wild 動画を多用した事前学習型世界モデルの課題について検討する。 本稿では、コンテキストと動的モデリングを明確に分離したContextualized World Models(ContextWM)を紹介する。 実験により,ContextWMを内蔵したWildビデオ事前学習は,モデルベース強化学習のサンプル効率を大幅に向上できることが示された。
  論文  参考訳（メタデータ） (2023-05-29T14:29:12Z)
• Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
  自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。 我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-09-29T15:24:47Z)

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。