論文の概要: WorldAgen: Unified State-Action Prediction with Test-Time World Model Training

• arxiv url: http://arxiv.org/abs/2609.08162v1
• Date: Tue, 08 Sep 2026 02:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.557045
• Title: WorldAgen: Unified State-Action Prediction with Test-Time World Model Training
• Title（参考訳）: WorldAgen: テストタイムワールドモデルトレーニングによる統一状態反応予測
• Abstract要約: 本稿では,世界モデリングと行動予測を共同で学習する統合フレームワークWorldAgenを紹介する。 WorldAgenは、探索行動のサンプリング、地道状態遷移の収集、そして世界モデルを洗練するための軽量TTT更新を実行する。 提案手法は既存の最先端モデルを超え,推論時に世界モデルを適応させることの有効性を強調した。
• 参考スコア（独自算出の注目度）: 19.89058127984308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can vision-language-action (VLA) models adapt to new environments where world dynamics shift? While recent research has combined world modeling and action prediction to improve VLA performance, existing methods largely rely on pretraining on static datasets, without mechanisms for active adaptation at deployment time. As a result, these models often fail to generalize when deployed in unseen scenarios with novel object configurations or dynamics. We present WorldAgen, a unified framework that jointly learns world modeling and action prediction while enabling Test-Time Training (TTT) to adapt to new environments. WorldAgen employs a shared Transformer backbone with two heads: (1) a world model head that predicts future states from past state-action trajectories, and (2) an agent model head that predicts actions conditioned on task instructions. We design a Mixed Unidirectional Attention Mask to separate these two models. During test time, WorldAgen samples exploratory actions, collects ground-truth state transitions, and performs lightweight TTT updates to refine its world model. This adaptation improves the model's understanding of the environment and leads to more accurate action predictions. Experiments on the CALVIN and LIBERO benchmarks demonstrate that our baseline model achieves comparable, and in some cases superior, performance to current state-of-the-art approaches. Moreover, with TTT on a small number of samples, our method surpasses existing state-of-the-art models, highlighting the effectiveness of adapting world models at inference time.
• Abstract（参考訳）: ビジョン・ランゲージ・アクション(VLA)モデルは、世界ダイナミクスがシフトする新しい環境にどのように適応するか? 近年の研究では、VLAのパフォーマンスを改善するために、世界モデリングとアクション予測を組み合わせているが、既存の手法は、デプロイ時にアクティブな適応のメカニズムを使わずに、静的データセットの事前トレーニングに大きく依存している。 結果として、これらのモデルは、新しいオブジェクト設定やダイナミックスを備えた見知らぬシナリオにデプロイされた時に、一般化に失敗することが多い。 我々は、テストタイムトレーニング(TTT)を新しい環境に適用しつつ、ワールドモデリングとアクション予測を共同で学習する統合フレームワークであるWorldAgenを紹介する。 WorldAgenは、(1)過去の状態-動作軌跡から将来の状態を予測する世界モデルヘッド、(2)タスク命令で条件付けられたアクションを予測するエージェントモデルヘッドの2つのヘッドを持つ共有トランスフォーマーバックボーンを使用している。 これら2つのモデルを分離するために、混合一方向注意マスクを設計する。 テスト期間中、WorldAgenは探索行動のサンプルを採取し、地道な状態遷移を収集し、世界モデルを洗練するための軽量なTTT更新を実行する。 この適応は、モデルによる環境理解を改善し、より正確な行動予測をもたらす。 CALVINとLIBEROベンチマークの実験は、我々のベースラインモデルが現在の最先端のアプローチに匹敵する性能を達成していることを示している。 さらに,TTTを少数のサンプルに適用することにより,提案手法は既存の最先端モデルを超え,推論時に世界モデルを適応させることの有効性を強調した。

関連論文リスト

• Reinforcing VLAs in Task-Agnostic World Models [15.056103368344596]
  強化学習(RL)による後学習型ビジョン・ランゲージ・アクション(VLA)モデルは、コストのかかる実世界の相互作用を伴わずに新しいタスクに適応するための効果的な戦略として登場した。 我々は、世界と報酬モデルがゼロショット推論を可能にする転送可能な物理的事前をキャプチャすべきであると主張している。 我々は、下流のタスク依存から世界モデル学習を完全に切り離す新しいパラダイムであるRAW-Dreamを提案する。
  論文  参考訳（メタデータ） (2026-05-12T16:16:15Z)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• Test-Time Mixture of World Models for Embodied Agents in Dynamic Environments [29.514831254621438]
  Test-time Mixture of World Models (TMoW) は、目に見えない領域や進化しない領域への適応性を高めるフレームワークである。 TMoWは、関数が固定されている従来のMoEとは異なり、テスト時に世界モデル上でルーティング機能を更新する。 我々は、VirtualHome、ALFWorld、RLBenchベンチマーク上でTMoWを評価し、ゼロショット適応と少数ショット拡張シナリオの両方で強い性能を示す。
  論文  参考訳（メタデータ） (2026-01-30T07:06:40Z)
• Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback [51.22403664895878]
  Agent2Worldは、強力な推論時ワールドモデル生成を実現するツール拡張マルチエージェントフレームワークである。 また、マルチエージェントフィードバックの生成を基盤にすることで、教師付き微調整のためのデータエンジンとしても機能する。
  論文  参考訳（メタデータ） (2025-12-26T18:54:14Z)
• Co-Evolving Latent Action World Models [57.48921576959243]
  学習済みのビデオモデルを潜在アクションを介して制御可能な世界モデルに適応させることは、ジェネラリストの世界モデルを作成するための有望なステップである。 本稿では,この相乗的パラダイムを初めて実現したCoLA-Worldを提案する。 世界モデルは知識のある家庭教師として機能し、高品質のLAMを形成するための勾配を提供する。
  論文  参考訳（メタデータ） (2025-10-30T12:28:40Z)
• Transformer World Model for Sample Efficient Multi-Agent Reinforcement Learning [2.3964255330849356]
  我々は、強化学習のための新しいトランスフォーマーベース世界モデルであるMulti-Agent Transformer World Model(MATWM)を提案する。 MATWMは、分散化された想像力フレームワークと半集中型の批評家とチームメイト予測モジュールを組み合わせる。 我々は,StarCraft Multi-Agent Challenge, PettingZoo, MeltingPotなど,幅広いベンチマークでMATWMを評価した。
  論文  参考訳（メタデータ） (2025-06-23T11:47:17Z)
• Learning Transformer-based World Models with Contrastive Predictive Coding [58.0159270859475]
  変換器の表現能力を十分に活用するには,次の状態予測目標が不十分であることを示す。 本稿では,行動条件のContrastive Predictive Codingを用いた世界モデルであるTWISTERを導入することで,世界モデル予測をより長い時間的地平線まで拡張することを提案する。 TWISTERは、Atari 100kベンチマークで162%の人間正規化平均スコアを達成し、ルックアヘッド検索を使用しない最先端のメソッドの中で、新しい記録を樹立した。
  論文  参考訳（メタデータ） (2025-03-06T13:18:37Z)
• Pre-Trained Video Generative Models as World Simulators [59.546627730477454]
  本研究では,事前学習した映像生成モデルを制御可能な世界シミュレータに変換するための動的世界シミュレーション(DWS)を提案する。 条件付き動作と生成した視覚的変化の正確なアライメントを実現するために,軽量で普遍的な動作条件付きモジュールを導入する。 実験により、DWSは拡散モデルと自己回帰変換モデルの両方に汎用的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-02-10T14:49:09Z)
• An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
  DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。 提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
  論文  参考訳（メタデータ） (2024-12-18T12:10:33Z)

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。