論文の概要: CausalWM: Causal Chain-of-Thought Reasoning for Embodied World Model

• arxiv url: http://arxiv.org/abs/2609.23184v2
• Date: Tue, 22 Sep 2026 07:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.926224
• Title: CausalWM: Causal Chain-of-Thought Reasoning for Embodied World Model
• Title（参考訳）: CausalWM: 身体的世界モデルのためのCausal Chain-of-Thought Reasoning
• Abstract要約: 今後のビデオ予測の前に明確な因果関係の推論を行う16Bエンボディ世界モデルCausalWMを紹介する。 CaulWMは、言語条件付き、アクション条件付き、シングルビュー、マルチビューのベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 34.48467259342655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied world models learn to predict future physical dynamics from visual observations and control signals, where physical knowledge is implicitly entangled within latent representations. We introduce CausalWM, a 16B embodied world model that performs explicit causal chain-of-thought reasoning before future video prediction. CausalWM organizes useful variables into a reasoning trajectory, allowing the model to progressively capture causal dependencies underlying physical evolution. To train CausalWM, we collect 31K hours embodied data and develop a three-stage paradigm consisting of large-scale video pre-training, causal CoT mid-training, and multi-objective RL post-training. Despite using only a limited set of supervised CoT variables, CausalWM exhibits emergent in-context learning capabilities, enabling contextual visual feature guidance and efficient few-step generation. CausalWM achieves state-of-the-art performance across language-conditioned, action-conditioned, single-view and multi-view benchmarks, including Top-1 performance on TriWorldBench leaderboard.
• Abstract（参考訳）: 身体的世界モデルは、視覚的な観察と制御信号から将来の物理力学を予測し、物理的知識は潜在表現の中に暗黙的に絡み合っている。 今後のビデオ予測の前に明確な因果関係の推論を行う16Bエンボディ世界モデルCausalWMを紹介する。 CausalWMは有用な変数を推論軌道に整理し、物理的進化の根底にある因果関係を段階的に捉えることができる。 CausalWMをトレーニングするために,31K時間実施データを収集し,大規模ビデオ事前学習,因果CoT中等訓練,多目的RL後等訓練からなる3段階パラダイムを開発する。 教師付きCoT変数の限られたセットしか使用していないが、CausalWMはコンテキスト内学習機能を示し、コンテキストの視覚的特徴ガイダンスと効率的な数ステップ生成を可能にする。 CausalWMは、TriWorldBenchのリーダーボード上でのTop-1パフォーマンスを含む、言語条件付き、アクション条件付き、シングルビュー、マルチビューのベンチマークで最先端のパフォーマンスを達成する。

関連論文リスト

• LaWM: Least Action World Models for Long-Horizon Physical Consistency from Visual Observations [9.35652906982887]
  学習された視覚的潜伏空間における最小アクションの原理を運用するためのラストアクション世界モデル(LaWM)を提案する。 LaWMは、学習された一般化された座標に観測を符号化し、連続的な潜伏状態上で潜在離散ラグランジアンを学ぶ。 遷移は離散的な変動原理によって誘導されるため、LaWMは長期の視覚予測のための構造保存バイアスを提供する。
  論文  参考訳（メタデータ） (2026-05-08T07:03:13Z)
• Beyond Language Modeling: An Exploration of Multimodal Pretraining [125.34714978184638]
  我々は、制御されたオフスクラッチ事前学習実験を通して経験的明瞭度を提供する。 我々はトランスフュージョン・フレームワークを採用し、言語と視覚の拡散を次々に予測する。 我々は、MoEアーキテクチャが、言語によって要求される高いモデル容量を提供することにより、このスケーリング非対称性を調和させることを実証する。
  論文  参考訳（メタデータ） (2026-03-03T18:58:00Z)
• HALO: A Unified Vision-Language-Action Model for Embodied Multimodal Chain-of-Thought Reasoning [23.266655371621965]
  VLA(Vision-Language-Action)モデルは、ロボット操作において強力な性能を示しているが、長い水平またはアウト・オブ・ディストリビューションのシナリオでしばしば苦労している。 本稿では,マルチモーダル・チェーン・オブ・シークレット(EM-CoT)推論を可能にする統一VLAモデルであるHALOを提案する。 HALOをMixture-of-Transformers (MoT)アーキテクチャでインスタンス化し、セマンティック推論、視覚的予測、行動予測を専門の専門家に分離する。
  論文  参考訳（メタデータ） (2026-02-24T18:04:31Z)
• Unified World Models: Memory-Augmented Planning and Foresight for Visual Navigation [69.94565127141483]
  現在のアプローチでは、ナビゲーション計画とビジュアルワールドモデリングが分離されており、状態-アクションのミスアライメントと適応性の制限につながっている。 一つのマルチモーダル自己回帰バックボーン内に、自我中心の視線と計画を統合する統一されたメモリ拡張世界モデルUniWMを提案する。 我々は,UniWMが航法成功率を最大30%向上し,トラジェクトリエラーを強いベースラインと比較して著しく低減し,未確認のTartanDriveデータセットに印象的なゼロショット一般化を示すことを示した。
  論文  参考訳（メタデータ） (2025-10-09T18:18:11Z)
• Inducing Causal World Models in LLMs for Zero-Shot Physical Reasoning [7.4149859076511815]
  Causal World Model Injection (CWMI)は、AIシステムに因果物理の明示的なモデルを組み込むように設計されたフレームワークである。 CWMIは、ゼロショット物理推論タスクにおいて最先端のAIシステムを大幅に上回る。
  論文  参考訳（メタデータ） (2025-07-26T08:08:26Z)
• STEP: Enhancing Video-LLMs' Compositional Reasoning by Spatio-Temporal Graph-guided Self-Training [87.58996020705258]
  Video Large Language Models (Video-LLMs) は近年,ビデオ理解タスクに強い派生性を示している。 ビデオLLMは、多段階の明示的時間的推論を必要とする構成的推論と、オブジェクトの関係、相互作用、イベントに苦労する。 本稿では,ビデオLLMが生ビデオから推論に富んだ微調整データを生成し,自己改善を実現するための,グラフ誘導型自己学習手法STEPを提案する。
  論文  参考訳（メタデータ） (2024-11-29T11:54:55Z)
• Understanding Physical Dynamics with Counterfactual World Modeling [10.453874628135294]
  我々は、動的理解のための視覚構造抽出にCWM(Counterfactual World Modeling)を用いる。 CWMは、アノテーションなしでビデオデータのマスキング予測に時間分解マスキングポリシーを使用する。 これらの構造は物理力学の理解に有用であることを示し、CWMがPhilonベンチマークの最先端性能を達成できることを示した。
  論文  参考訳（メタデータ） (2023-12-11T03:07:25Z)
• 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)

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。