論文の概要: Training Object Permanence in World Models

• arxiv url: http://arxiv.org/abs/2609.28654v1
• Date: Wed, 23 Sep 2026 18:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.469598
• Title: Training Object Permanence in World Models
• Title（参考訳）: 世界モデルにおける学習対象の永続性
• Abstract要約: WROP(World Reasoning with Object Permanence)は、手作業で設計された認知科学にインスパイアされたタスク150のデータ基盤である。 我々は、各タスクの認知構造を保ちながら、速度、照明、カメラアングル、その他のニュアンスパラメータをランダム化するブレンダージェネレータを構築する。 WROPは連続モデルのうち第1位と第3位にランクされ、2つの参照対ビデオモデル間の統計的結びつきに次いでいる。
• 参考スコア（独自算出の注目度）: 110.04493151019896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object permanence and solidity are hallmarks of human cognitive priors. Recent studies show that video generation models, a paradigmatic class of current world models, have begun to show emerged reasoning abilities, making them ideal candidates for building human-like physical intelligence. Do video models have emerged object permanence in them? If not, could we train them with a core-cognition inspired dataset? We introduce WROP (World Reasoning with Object Permanence), a data infrastructure of 150 hand-designed cognitive science inspired tasks, divided into six cognitive categories. We build Blender generators that randomize speed, lighting, camera angle, and other nuisance parameters while preserving each task's cognitive structure, yielding 10,000+ samples per task. We release a 1.5M-sample training corpus and a 300-question exam. On this exam we evaluate 14 video models: 3 reference-to-video, 7 edit, and 4 continuation, among which PWM-WROP, our 16B world model. In a blind pairwise Elo study, PWM-WROP ranks first among continuation models and third overall, behind only a statistical tie between two reference-to-video models. We release the data, exam, model answers, scores, weights, and PWM, our native-PyTorch training stack on AWS Trainium2.
• Abstract（参考訳）: 物体の永続性と固さは、人間の認知的先行の目印である。 近年の研究では、現在の世界モデルのパラダイムクラスであるビデオ生成モデルが、推論能力の出現を示し始めており、人間のような物理的知能を構築するための理想的な候補となっている。 ビデオモデルは、それらの中にオブジェクト永続性が現れているか? そうでなければ、コア認知にインスパイアされたデータセットでトレーニングできますか? WROP(World Reasoning with Object Permanence)は、手作業で設計された認知科学にインスパイアされたタスクを6つの認知カテゴリに分けたデータ基盤である。 我々は、各タスクの認知構造を保ちながら、速度、照明、カメラアングル、その他のニュアンスパラメータをランダム化するBlenderジェネレータを構築し、1タスクあたり1万以上のサンプルを生成する。 私たちは1.5Mサンプルのトレーニングコーパスと300のクエスト試験をリリースします。 本試験では,16BワールドモデルであるPWM-WROPの3つのリファレンス・ツー・ビデオ,7つの編集,4つの継続の14の動画モデルを評価する。 ブラインド・ペアワイド・エロ研究では、PWM-WROPは継続モデルのうち第1位と第3位にランクされ、2つの参照対ビデオモデルの間の統計的関係に留まった。 私たちは、AWS Trainium2上のネイティブPyTorchトレーニングスタックであるデータ、試験、モデル回答、スコア、ウェイト、PWMをリリースしています。

関連論文リスト

• THFM: A Unified Video Foundation Model for 4D Human Perception and Beyond [22.66024130777808]
  人中心認識のための統合ビデオ基盤モデルTHFMを提案する。 我々のモデルは、様々なベンチマークで最先端の専門モデルを超えているか、あるいは超えている。 例えば、シーン内の1人の人間で動画をトレーニングしたモデルは、複数の人間や、人為的なキャラクターや動物のような他のオブジェクトクラスに一般化する。
  論文  参考訳（メタデータ） (2026-03-26T20:28:40Z)
• Wow, wo, val! A Comprehensive Embodied World Model Evaluation Turing Test [62.17144846428715]
  我々は、Embodied Turing Testベンチマーク: WoW-World-Eval (Wow,wo,val)を紹介する。 Wow-wo-valは知覚、計画、予測、一般化、実行の5つのコア能力を調べる。 Inverse Dynamic Model Turing Testでは、まずIMMを用いて、実世界におけるビデオ基盤モデルの実行精度を評価する。
  論文  参考訳（メタデータ） (2026-01-07T17:50:37Z)
• Humanoid World Models: Open World Foundation Models for Humanoid Robotics [2.7781524868854715]
  我々はHWM(Humanoid World Models)を紹介した。HWMは、HWM(Humanoid World Models)は、HWM(Humanoid World Models)の一種で、HWM(Humanoid World Models)と呼ばれる軽量でオープンソースのモデルである。 我々は,100時間のヒューマノイド実験において,Masked TransformersとFlow-Matchingの2種類の生成モデルを訓練した。 パラメータ共有技術は,性能や視力に最小限の影響を伴って,モデルサイズを33～53%削減する。
  論文  参考訳（メタデータ） (2025-06-01T21:33:36Z)
• PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding [126.15907330726067]
  画像と映像の理解において透過的な研究を行うために,完全オープンかつ再現可能なフレームワークで知覚モデル(PLM)を構築することを研究する。 モデルからの蒸留なしで標準的な訓練パイプラインを分析し、大規模合成データを調べ、重要なデータギャップを識別する。 これらのギャップを埋めるために、我々は、挑戦的なビデオ理解タスクを評価するためのスイートであるPLM-VideoBenchをリリースした。
  論文  参考訳（メタデータ） (2025-04-17T17:59:56Z)
• Unifying Language Learning Paradigms [96.35981503087567]
  データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。 本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。 また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
  論文  参考訳（メタデータ） (2022-05-10T19:32:20Z)
• MERLOT: Multimodal Neural Script Knowledge Models [74.05631672657452]
  我々はMERLOTを紹介した。MERLOTは、翻訳された音声で何百万ものYouTubeビデオを視聴することで、マルチモーダルなスクリプト知識を学習するモデルである。 MERLOTは、時間的コモンセンスの強力なアウトオブボックス表現を示し、12の異なるビデオQAデータセット上で最先端のパフォーマンスを達成する。 Visual Commonsense Reasoning では、MERLOT が80.6%の精度で正解し、同じ大きさの最先端のモデルを3%以上上回っている。
  論文  参考訳（メタデータ） (2021-06-04T17:57:39Z)

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。