論文の概要: IMPLY: Physically Anchored Consistency for World-Model Rollouts
- arxiv url: http://arxiv.org/abs/2609.12441v1
- Date: Fri, 11 Sep 2026 05:02:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.626392
- Title: IMPLY: Physically Anchored Consistency for World-Model Rollouts
- Title（参考訳）: IMPLY:世界モデルロールアウトの物理的アンコール一貫性
- Abstract要約: 世界モデルは、オブジェクトが複数の速度でプッシュされた場合、何が起こるかを尋ねる。
もしモデルがオブジェクトを念頭に置いていれば、それらの未来はそれに同意します。
誰も物理学を知らない。
これは十分ではなく、代わりに何をすべきかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A world model asked what happens if an object is pushed at several speeds produces several futures. If the model has the object in mind, those futures agree about it: each implies the same mass and friction. The consistency checks now used to vet world-action models ask whether a model's futures agree with each other, and none of them knows any physics. We show that this is not enough, and what to do instead. IMPLY reads the physics each rollout implies by inverting a simulator and scores a set of rollouts by how well one object explains all of them, anchored to two calibration pushes the model has observed. In a controlled setting, self-consistency gives a perfect score to a model that ignores the object and always predicts a typical push; anchoring exposes it (AUROC 0.70 versus 1.00). On a real model, V-JEPA 2-AC adapted to the scene, the same thing happens. Given its own calibration pushes the model tracks the object (per-object correlation with the truth 0.91); given another object's, it does not (0.05). Self-consistency cannot tell these apart, preferring the right evidence on 52% of objects, chance level, while anchored disagreement prefers it on 73% and correlates 0.92-0.99 with the rollouts' error. Used to choose among candidate rollout sets, it comes within 0.003 of an oracle that sees the truth. A model that has internalised the wrong object is exactly as self-consistent as one that has internalised the right one; consistency has to be anchored to evidence.
- Abstract（参考訳）: 世界モデルは、オブジェクトが複数の速度でプッシュされた場合、何が起こるかを尋ねる。
モデルが対象を念頭に置いていれば、それらの未来はそれについて同意する:それぞれが同じ質量と摩擦を意味する。
現在、世界アクションモデルの検証に使用されている一貫性チェックは、モデルの将来が互いに一致しているかを問うもので、誰も物理を知らない。
これは十分ではなく、代わりに何をすべきかを示す。
IMPLYは、各ロールアウトの物理を読み取ると、シミュレータを反転させ、1つのオブジェクトがそれらのすべてをうまく説明し、モデルが観測した2つのキャリブレーションプッシュに固定する、ロールアウトのセットをスコアする。
制御された設定では、自己整合性はオブジェクトを無視し、常に典型的なプッシュを予測するモデルに完全なスコアを与え、アンカーはそれを露出する(AUROC 0.70 vs 1.00)。
実際のモデルでは、シーンに合わせてV-JEPA 2-ACが適用され、同じことが起こっています。
自身のキャリブレーションが対象を追跡すると(真理0.91と対象ごとの相関関係)、他の対象が与えられた場合(0.05)、その対象は追跡されない。
自己整合性はこれらを区別できず、オブジェクトの52%、確率レベルの正しい証拠を好む一方で、アンカーされた不一致は73%で、ロールアウトのエラーと0.92-0.99と相関する。
対象のロールアウトセットを選択するために使用され、真理を見る託宣の0.003の範囲内に入る。
間違った対象を内在化したモデルは、正に正しい対象を内在化したモデルと同じくらい自己整合性があり、一貫性は証拠に固定されなければならない。
関連論文リスト
- Principia: Relational Physics Tests for Video Models [10.272466104440381]
ペアオブジェクト間の関係整合性を通じてニュートン物理学を評価するベンチマークであるPrincipiaを紹介する。
プリンキピアは重力、置換、摩擦、投射運動、運動量、振り子、質量発振の8つの現象にまたがる。
また、画像空間における物理的違反を直接定量化するキャリブレーション非依存の一貫性スコアも導入する。
論文 参考訳（メタデータ） (2026-09-03T17:59:50Z) - Modeling What Changes: Sparse, Residual World Models for Object-Centric Manipulation [0.0]
スパース/残留モデルは高密度多層パーセプトロンの2.5倍から4.6倍の精度で次状態のポーズを予測する。
自動回帰ロールアウトでは誤差がはるかに少なくなり、密度の高いモデルがドリフトする間、動きのないフロアを抱きしめる。
世界全体を予測するのではなく、どのような変化をモデル化するかは、オブジェクト中心の物理的なAIに対して単純で効果的なバイアスとなります。
論文 参考訳（メタデータ） (2026-09-02T03:20:09Z) - CaliBench: Are the Stochastic Dynamics of Video World Models Physically Calibrated? [6.39120343569684]
CaliBench は FID のような学習された特徴空間ではなく、離散空間で結果をスコアする。
我々は,1つの精度のメートル法が混在する2つの軸に性能を分解する: スコラビリティ, スコア可能な結果をもたらす世代数, その試料の基準からの全変動距離のキャリブレーション。
9つのシーンと6つのイメージ・ツー・ビデオモデル(WAN-2.7, SeeDance-2.0, HappyHorse-1.0, Veo 3.1, Runway Gen-4.5, Cosmos3-Super)に適用する。
論文 参考訳（メタデータ） (2026-08-17T17:14:50Z) - RigidBench: Evaluating Rigid-Body Physics in Video Generation Models [16.53417077740312]
そこで本研究では,生成した継続と参照ロールアウトを同一の初期フレームと動作記述から比較したシミュレータグラウンドベンチマークを提案する。
同じ100の例で8つのモデルを評価し、これらの側面を分離する10の計測を行った。
完全な微調整により3次元軌道誤差は約20%減少し、SSIMはほとんど変化しない。
論文 参考訳（メタデータ） (2026-08-16T06:05:20Z) - What-If World: A Causal Benchmark for General World Models in Embodied Scenarios [23.527918480081013]
ビデオ生成モデルは、運転やロボット操作といったタスクのための世界シミュレータとして、ますます使われている。
これらの設定で重要なのは、単一のビデオが正しく見えるかどうかではなく、入力が変わったときにモデルの出力が変わるかどうかです。
我々は、同じシーンを1つの物理的詳細で記述した2つのプロンプトをモデルに与え、この2つのビデオが物理の予測方法が異なるかどうかを確認することによって、これを検証した。
論文 参考訳（メタデータ） (2026-05-26T19:02:26Z) - The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。
これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
論文 参考訳（メタデータ） (2026-05-09T22:27:31Z) - WorldModelBench: Judging Video Generation Models As World Models [57.776769550453594]
ビデオ生成モデルは急速に進歩し、ロボット工学や自動運転といった意思決定アプリケーションをサポートするビデオワールドモデルとしての地位を確立している。
現在のベンチマークでは、これらの主張を厳格に評価することができず、一般的なビデオ品質にのみ焦点が当てられている。
アプリケーション駆動ドメインにおけるビデオ生成モデルのワールドモデリング能力を評価するためのベンチマークであるWorldModelBenchを提案する。
論文 参考訳（メタデータ） (2025-02-28T03:58:23Z) - Independence Tests for Language Models [47.0749292650885]
2つのモデルの重みを考えると、独立してトレーニングされたかどうかテストできますか?
制約付きと制約なしの2つの設定を検討します。
本稿では,2つのモデル間の隠れアクティベーションに一致し,逆変換やモデルアーキテクチャの変更に対して堅牢な新しいテストを提案する。
論文 参考訳（メタデータ） (2025-02-17T20:01:08Z) - Suspected Object Matters: Rethinking Model's Prediction for One-stage
Visual Grounding [93.82542533426766]
疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。
SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。
実験の結果,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-03-10T06:41:07Z) - Object Rearrangement Using Learned Implicit Collision Functions [61.90305371998561]
本研究では,シーン内の6DOFオブジェクトのポーズに対して,シーンとクエリ対象点の雲を受け付け,衝突を予測できる学習的衝突モデルを提案する。
我々は,テーブルトップ再構成タスクにおけるモデル予測経路積分(MPPI)ポリシーの一部として,学習された衝突モデルを活用する。
学習モデルは従来のパイプラインよりも優れており、シミュレーションされた衝突クエリのデータセット上では9.8%の精度で学習精度が向上している。
論文 参考訳（メタデータ） (2020-11-21T05:36:06Z) - Learning Global Structure Consistency for Robust Object Tracking [57.736915865309165]
この作品は、シーン全体の即時的なバリエーションを考慮に入れている。
本稿では,グローバルな構造的一貫性を短時間で活用する方法を学習する,効率的かつ効率的な短期モデルを提案する。
提案したトラッカーが2つの挑戦シナリオに対処し,大規模ベンチマークで検証できることを実証的に検証する。
論文 参考訳（メタデータ） (2020-08-26T19:12:53Z)
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。