論文の概要: Asking the World: Generalist Physical Reasoning through Agentic World Modeling and Probing
- arxiv url: http://arxiv.org/abs/2609.39135v1
- Date: Wed, 30 Sep 2026 07:04:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.30619
- Title: Asking the World: Generalist Physical Reasoning through Agentic World Modeling and Probing
- Title（参考訳）: 創世論 : エージェント的世界モデリングと探究を通しての一般理学推論
- Abstract要約: 本稿では,2つの適応段階を通してタスク関連実行可能世界を構築し,問うジェネリストエージェントであるAsking the Worldを紹介する。
World Modelingはビデオから世界を分類し、World Probingはクエリーをシミュレートし、それに介入し、疑問に関連する証拠を得る。
我々は, 剛体, 軟体, 布, ロープ, 流体, そしてそれらの相互作用による世界の構築と探索を行う, 軽量でプログラム可能なマルチフィジカルシミュレータであるPolyWorld Engineを開発した。
- 参考スコア（独自算出の注目度）: 7.053168162180877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical reasoning from video requires inferring latent physical properties and dynamics beyond direct observation. Direct VLM inference remains unreliable on complex physical tasks without explicit modeling and validation, while predefined tool pipelines rely on task- and domain-specific priors that limit generalization across materials, dynamics, and reasoning tasks. We introduce Asking the World (ATW), a generalist agent that constructs and interrogates task-relevant executable worlds through two adaptive stages: World Modeling calibrates a world from video, while World Probing queries, simulates, and intervenes on it to obtain question-relevant evidence. Rather than prescribing the operations in either stage, ATW determines how to model and probe according to the scene and question. We develop PolyWorld Engine, a lightweight and highly programmable Warp-based multiphysics simulator for constructing and probing worlds with rigid bodies, soft bodies, cloth, ropes, fluids, and their coupled interactions. CEM-based system identification recovers task-relevant dynamics during World Modeling. The resulting world becomes an active workspace for question-directed physical experiments rather than a predetermined downstream tool. We evaluate ATW on CLEVRER, ContPhy, and three real-world scenarios. Using Gemini-3-Flash as its base VLM, ATW achieves 80.82% overall per-question accuracy on CLEVRER, improving direct Gemini-3-Flash by 46.50 points, GPT-5.5 by 13.58 points, and PhysMind by 8.27 points. On ContPhy, it reaches 70.56% overall accuracy, surpassing Gemini-3-Flash by 28.10 points and GPT-5.5 by 3.53 points. Across the three real-world scenarios, ATW achieves 71.67% accuracy, 28.33 points above GPT-5.5. These results establish agentic world modeling and probing as an effective, execution-grounded approach to generalist physical reasoning.
- Abstract（参考訳）: ビデオからの物理的推論は、直接観察を超えた潜在的な物理的特性と力学を推測する必要がある。
直接VLM推論は、明示的なモデリングや検証なしに複雑な物理タスクには信頼性が保たれず、事前定義されたツールパイプラインは、材料、力学、推論タスク間の一般化を制限するタスクやドメイン固有の事前処理に依存している。
本稿では,タスク関連実行可能世界の構築と問合せを行う汎用エージェントであるAsking the World(ATW)を紹介した。
どちらの段階でも操作を規定するのではなく、ATWはシーンと質問に応じてモデル化し、調査する方法を決定する。
我々は, 剛体, 軟体, 布, ロープ, 流体, そしてそれらの相互作用による世界の構築と探索を行う, 軽量でプログラム可能なマルチフィジカルシミュレータであるPolyWorld Engineを開発した。
CEMに基づくシステム識別は、世界モデリング中にタスク関連ダイナミクスを回復する。
得られた世界は、所定の下流ツールではなく、質問指向の物理的実験のためのアクティブなワークスペースとなる。
我々は、CLEVRER、ContPhy、および3つの現実世界シナリオについてATWを評価した。
Gemini-3-FlashをベースVLMとして、ATWはCLEVRERで80.82%の精度を実現し、直接Gemini-3-Flashを46.50ポイント、GPT-5.5を13.58ポイント、PhysMindを8.27ポイント改善した。
ContPhyでは、全体的な精度が70.56%に達し、Gemini-3-Flashを28.10ポイント、GPT-5.5を3.53ポイント上回った。
3つの実世界のシナリオの中で、ATWは71.67%の精度で、GPT-5.5より28.33ポイント高い。
これらの結果は、ジェネリック・ワールド・モデリングと探索を、ジェネラリストの物理的推論に対する効果的で実践的なアプローチとして確立する。
関連論文リスト
- WorldAuditBench: Interactive 3D World Auditing with Multimodal Agents [30.577405566446235]
We introduced WorldAuditBench, a benchmark for 3D world auditing including 213 anomaly tasks across 13 environment built with Unreal Engine 5 and Three.js。
VLAに基づく探索とVLMに基づく異常識別と、視覚的推論が行動選択を直接導くエンドツーエンドのVLMエージェントの2つの監査パラダイムを用いて、固定された調査予算の下で5つのフロンティアモデルを評価する。
論文 参考訳（メタデータ） (2026-09-30T17:55:29Z) - InternW0: A Foundational Physical World Model for Efficient Real-World Interactions [71.6162746447152]
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。
論文 参考訳（メタデータ） (2026-09-23T10:20:56Z) - Verti-WM: A Physics-Aided Exteroceptive World Model for Off-Road Reinforcement Learning [12.994292036520681]
Verti-WMは、剛性地形のための凍結トランスフォーマーと変形可能な地形のためのニューロ・シンボリック・テラメカニクス・モデルとを融合した物理支援外界モデルである。
Verti-WMはデータ駆動および物理ベースのベースラインに対する予測誤差を34.6%、21.7%削減する。
論文 参考訳（メタデータ） (2026-09-19T16:43:32Z) - PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models [60.567497085815724]
PhysBrain 1.5は、物理的な環境を理解し、アクションを生成し、将来の状態を予測するための統一モデルである。
事前トレーニングは、人間のインタラクションビデオから完全に具体化された監督を引き出す。
一般的なマルチモーダル機能を維持しながら、14のベンチマークで最高のオープンソース結果を達成する。
論文 参考訳（メタデータ） (2026-09-14T03:25:46Z) - GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。
一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。
この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
論文 参考訳（メタデータ） (2026-08-06T12:19:38Z) - PhysMent: An Interactive Approach For LLM Reasoning In Physics Problems [0.2908533048935121]
大規模言語モデル(LLM)は静的な科学ベンチマークで強く機能するが、活発な実験を通して物理世界について推論する能力はいまだによく分かっていない。
我々は,MuJoCo物理シミュレータとの反復的ツール媒介相互作用によるLCM物理推論を評価するベンチマークであるPhysMentを紹介する。
論文 参考訳（メタデータ） (2026-07-07T10:48:11Z) - A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models [96.64934195520802]
我々は、世界モデルの物理的信頼性をストレステストするために設計された物理地上評価フレームワークであるCrashTwinを紹介する。
CrashTwinは、25K制御可能な合成12K実世界の衝突シーケンスを含む、多様なマルチエージェント衝突シナリオのデータセットを結合している。
本稿では,時間的一貫性,運動量,運動エネルギーの保存,世界力学の整合性という3つの次元を体系的に評価する診断スイートを提案する。
論文 参考訳（メタデータ） (2026-06-27T06:13:35Z) - PhysisForcing: Physics Reinforced World Simulator for Robotic Manipulation [37.9748770367306]
ビデオ生成モデルは、一貫性のないロボットとオブジェクトの相互作用を含む、物理的に不可解な操作を生成することができる。
本研究では,物理インフォーマティブ領域の監督に焦点をあて,身体の整合性を高めるためのトレーニングフレームワークであるPhys Forcingを提案する。
実験の結果,Phys Forcing は強いベースラインよりも常にエンボディドビデオ生成を改善していることがわかった。
論文 参考訳（メタデータ） (2026-06-26T14:30:18Z) - ACCORD: Action-Conditioned Contextual Grounding for Language Agents [69.73525608707764]
ACCORD(Action-Conditioned Contextual Grounding)は、適応的なグラウンドのためのエージェントフレームワークである。
現状のエージェントは、しばしばそうすることができないことを示す。それらは、観察された特定の情報よりもむしろ仮定から行動し、収集した可能性のある情報を見落とし、既に返された証拠を組み込むことに失敗する。
論文 参考訳（メタデータ） (2026-06-15T09:05:55Z) - AFUN: Towards an Affordance Foundation Model for Functionality Understanding [12.890216832485647]
我々は,機能理解のための手頃な基礎モデルに向けたステップとして,我々のモデルを提示する。
我々は、異種ロボット、人間、シミュレーション、現実世界のスキャンデータを共有価格スキーマに変換する大規模な標準化データパイプラインを構築します。
私たちのモデルは、4つのベンチマークから8つのテストセットにまたがる大きなマージンで、すべてのベースラインを上回ります。
論文 参考訳（メタデータ） (2026-06-01T17:50:16Z) - 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)
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。