論文の概要: InternW0: A Foundational Physical World Model for Efficient Real-World Interactions

• arxiv url: http://arxiv.org/abs/2609.27656v1
• Date: Wed, 23 Sep 2026 10:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.976091
• Title: InternW0: A Foundational Physical World Model for Efficient Real-World Interactions
• Title（参考訳）: InternW0:効率的な実世界インタラクションのための基礎的物理世界モデル
• Abstract要約: 上海AI研究所からInternW物理世界モデルシリーズの最初のインスタンス化であるInternW0を紹介する。 フローマッチングを伴う非対称なビデオアクションアーキテクチャにより,将来の視覚力学と連続ロボット制御を学習する。 InternW0を約7,200時間の異質なロボットとエゴセントリックなデータでトレーニングし、その中には275時間のリアルタイムなエゴセントリックなデータセットであるEgoLabが含まれています。
• 参考スコア（独自算出の注目度）: 71.6162746447152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical intelligence requires more than predicting how the world may evolve: predictions must remain actionable as the world continues to change. We introduce InternW0, the first instantiation of the InternW physical world model series from Shanghai AI Laboratory, built around omnimodal interfaces, asynchronous multi-frequency processing, and local physical modeling under partial observations and external influences. InternW0 jointly learns future visual dynamics and continuous robot control through an asymmetric video--action architecture with flow matching. A high-capacity video expert provides longer-horizon predictive context, while a lightweight action expert operates at a faster timescale. Instead of regenerating the future for every action update, InternW0 reuses layerwise K/V and adapts it to newly observed states through observation-conditioned context routing. Domain-specific interfaces and soft prompts support heterogeneous embodiments, while contact-aware post-training incorporates force and tactile signals for contact-rich manipulation. We train InternW0 on approximately 7,200 hours of heterogeneous robot and egocentric data, including EgoLab, a 275-hour real-laboratory egocentric dataset. Evaluation spans simulation benchmarks and real-world scientific tasks, including a 15-stage metal--organic framework synthesis workflow and 5-stage contact- and force-aware dexterous manipulation for general-purpose quantitative pipetting. These results advance scalable, asynchronous, and science-native physical world models for universal and efficient real-world interactions.
• Abstract（参考訳）: 物理的な知性は、世界がどのように進化するかを予測する以上のものを必要とします。 上海AI研究所によるInternW物理世界モデルシリーズの最初のインスタンス化であるInternW0を紹介する。 InternW0は、フローマッチングを備えた非対称なビデオアクションアーキテクチャを通じて、将来の視覚力学と連続ロボット制御を共同で学習する。 高容量ビデオエキスパートは、より長い水平予測コンテキストを提供し、軽量アクションエキスパートはより速い時間スケールで動作する。 アクション更新毎に未来を再生する代わりに、InternW0はレイヤワイズK/Vを再利用し、観測条件付きコンテキストルーティングを通じて新たに観測された状態に適応する。 ドメイン固有のインターフェースとソフトプロンプトは異種エボディメントをサポートし、接触認識後トレーニングでは、接触リッチな操作のために力と触覚信号が組み込まれている。 InternW0を約7,200時間の異質なロボットとエゴセントリックなデータでトレーニングし、その中には275時間のリアルタイムなエゴセントリックなデータセットであるEgoLabが含まれています。 評価は,15段階の金属-有機フレームワーク合成ワークフローや5段階の接触・力覚的デキスタス操作など,シミュレーションベンチマークと実世界の科学的タスクにまたがる。 これらの結果は、普遍的で効率的な現実世界の相互作用のためのスケーラブルで非同期で科学的な物理世界モデルを促進する。

関連論文リスト

• MachEmbodied-U0: Unified Understanding and Generation Model for Embodied Intelligence [14.653862445798557]
  汎用ロボット制御は、タスク意図を理解し、どこで相互作用するかを特定し、シーンがどのように進化するかを捉え、正確なアクションを生成するモデルを必要とする。 我々は、Mixture-of-Transformersアーキテクチャを通じて、理解と生成の専門家を結びつける統一的な基礎モデルであるMachEm-U0を提案する。
  論文  参考訳（メタデータ） (2026-09-22T03:36:36Z)
• ACWM-Phys: Investigating Generalized Physical Interaction in Action-Conditioned Video World Models [30.527810700174488]
  行動条件付き世界モデル(ACWM)は,映像の予測と意思決定に強く期待されている。 本稿では,多様な物理力学下での行動条件予測のための新しいベンチマークであるACWM-Physを紹介する。
  論文  参考訳（メタデータ） (2026-05-09T00:00:47Z)
• Interactive World Simulator for Robot Policy Training and Evaluation [21.481187472784047]
  ロボットインタラクションデータセットからインタラクティブな世界モデルを構築するためのフレームワークであるInteractive World Simulatorを提案する。 我々の実験では、学習された世界モデルが相互作用に一貫性のあるピクセルレベルの予測を生成する。 我々は,世界モデル生成データに基づいてトレーニングされたポリシーが,同じ量の実世界のデータでトレーニングされたポリシーと相容れないことを発見した。
  論文  参考訳（メタデータ） (2026-03-09T16:13:32Z)
• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• WoW: Towards a World omniscient World model Through Embodied Interaction [83.43543124512719]
  世界モデルの正当性的な物理的直観は、現実世界との広範囲で因果的に豊かな相互作用に基礎を置いていなければならない。 このWoWは、200万のロボットインタラクショントラジェクトリに基づいてトレーニングされた、ジェネレーティブな世界モデルである。 WoWBenchは、ビデオの物理的一貫性と因果推論に焦点を当てた新しいベンチマークである。
  論文  参考訳（メタデータ） (2025-09-26T17:59:07Z)
• Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
  TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。 人体全体の動きや部分レベルの物体の動きを複雑に捉えます。 本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T15:45:04Z)

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。