論文の概要: WorldAgent: Verification-Guided Agentic Physical World Construction
- arxiv url: http://arxiv.org/abs/2609.33208v1
- Date: Sun, 27 Sep 2026 04:46:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 02:13:59.599519
- Title: WorldAgent: Verification-Guided Agentic Physical World Construction
- Title（参考訳）: WorldAgent: 検証ガイドによるエージェント物理世界構築
- Abstract要約: 本稿では,1つの自然言語プロンプトからの検証誘導物理世界構築のためのエージェントフレームワークWorldAgentを提案する。
世界構築層は、プロンプトを構造化された世界仕様に拡張し、物理的な知識を使用してシーンを構築し、数値シミュレーションを実行する。
WorldAgentは、評価されたエージェントベースのメソッドのうち、7つの指標のうち5つでベストスコアを達成している。
- 参考スコア（独自算出の注目度）: 60.580920548802084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constructing complex physical worlds from language requires coordinating extensive 3D environments, detailed structures and objects at different spatial scales, and interacting physical processes under both stated goals and implicit physical constraints. We present WorldAgent, an agentic framework for verification-guided physical world construction from a single natural-language prompt, without iterative user debugging. A world construction layer expands the prompt into a structured world specification and uses physical knowledge to build scenes and run numerical simulations. After every step, a verification layer inspects scene geometry and simulation states alongside rendered views. Failed checks guide automatic revisions to the specification and re-execution of the affected steps. Accepted worlds pass the required checks and remain editable for further inspection and resimulation. We introduce AgenticSimBench, on which WorldAgent achieves the best scores among the evaluated agent-based methods on five of seven metrics. In a 26-participant user study, it receives the highest mean ratings across all four criteria.
- Abstract（参考訳）: 言語から複雑な物理世界を構築するには、広範囲な3D環境、異なる空間スケールで詳細な構造とオブジェクトを調整し、指示された目標と暗黙の物理的制約の両方の下で物理的プロセスと相互作用する必要がある。
本稿では,1つの自然言語プロンプトからの検証誘導物理世界構築のためのエージェントフレームワークWorldAgentについて,ユーザデバッグを繰り返すことなく紹介する。
世界構築層は、プロンプトを構造化された世界仕様に拡張し、物理的な知識を使用してシーンを構築し、数値シミュレーションを実行する。
ステップ毎に、検証層はレンダリングビューとともにシーンの幾何学とシミュレーション状態を検査する。
障害チェックは、影響を受けるステップの仕様と再実行を自動的に修正する。
受諾された世界は必要なチェックをパスし、さらなる検査と再現のために編集可能である。
本稿では,7つの指標のうち5つの指標に対して,WorldAgentが評価されたエージェントベース手法のベストスコアを達成できるAgenticSimBenchを紹介する。
26人の参加者を対象にした調査では、4つの基準で最高の評価を受けている。
関連論文リスト
- SimWorlds: A Multi-Agent System for Dynamic 3D Scene Creation [50.175987640001644]
テキストから動的に編集可能な4Dシーンを生成するマルチエージェントフレームワークであるSimWorldsを紹介する。
また,プロシージャのダイナミックな3Dシーンの視覚的忠実度と身体的整合性を評価するベンチマークである4DBuildBenchも導入した。
論文 参考訳（メタデータ） (2026-07-02T06:29:18Z) - Bridging the Agent-World Gap: Text World Models for LLM-based Agents [83.8237017249529]
大規模言語モデル(LLM)ベースのエージェントは、インタラクティブなテキスト環境においてますます使われている。
多くは反応が強く、これらの環境がどのように構成され、どのように進化するかの明確なモデルなしで、観察を行動にマッピングする。
テキストワールドモデル(TWMs): 状態と候補アクションが与えられたら、結果のWebページ、端末出力、API応答、ユーザ応答を予測する。
LLMをベースとしたエージェントのテキストワールドモデルについて,形式的なフレームワークとエージェントライフサイクルを中心に整理し,体系的にレビューを行った。
論文 参考訳（メタデータ） (2026-06-08T04:58:52Z) - SceneConductor: 3D Scene Generation from a Single Image with Multi-Agent Orchestration [32.39337008619354]
単一画像の3Dシーン生成を3つの構造化ステージに分解するマルチエージェントオーケストレーションフレームワークを提案する。
ポイントマップから導出される疎幾何学的事前情報によって教師される幾何学的レイアウト予測器を提案する。
本手法は,幾何学的精度,空間的整合性,知覚的リアリズムにおいて,従来手法よりも常に優れていた。
論文 参考訳（メタデータ） (2026-06-07T01:38:39Z) - SceneCode: Executable World Programs for Editable Indoor Scenes with Articulated Objects [69.20984454755512]
室内シーンの合成は、AI、ロボット操作、シミュレーションベースのポリシー評価を具体化する。
既存のパイプラインは、生成されたコンテンツを静的メッシュとして表現し、キュレートされたアセットライブラリからのみ調音を継承する。
我々は、自然言語プロンプトを実行可能なコード駆動屋内世界にコンパイルするフレームワークであるSceneCodeを紹介する。
論文 参考訳（メタデータ） (2026-05-19T09:31:04Z) - MANSION: Multi-floor lANguage-to-3D Scene generatIOn for loNg-horizon tasks [20.641188237918936]
MANSIONは,建築規模のマルチフロア3D環境を生成するための,最初の言語駆動型フレームワークである。
マンションは、多様で人間フレンドリーなシーンを持つ、現実的でナビゲート可能な全体構造を生成する。
MansionWorldは、病院からオフィスまで、1000以上の多様な建物のデータセットです。
論文 参考訳（メタデータ） (2026-03-12T05:22:42Z) - ThinkGeo: Evaluating Tool-Augmented Agents for Remote Sensing Tasks [64.86209459039313]
ThinkGeoは、構造化ツールの使用とマルチステップ計画を通じて、リモートセンシングタスクにおけるツール拡張エージェントを評価するために設計されたエージェントベンチマークである。
我々はReActスタイルの対話ループを実装し,486 個の構造化エージェントタスク上でのオープンソース LLM とクローズドソース LLM の両方を1,773 個の専門家が検証した推論ステップで評価する。
分析の結果、ツールの精度とモデル間の計画整合性に顕著な相違が明らかになった。
論文 参考訳（メタデータ） (2025-05-29T17:59:38Z) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳（メタデータ） (2021-04-16T21:35:08Z)
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。