論文の概要: MindWorldBench: Evaluating Mental-State-to-Behavior Reasoning in Image-to-Video Generation
- arxiv url: http://arxiv.org/abs/2609.39147v1
- Date: Wed, 30 Sep 2026 07:14:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.346229
- Title: MindWorldBench: Evaluating Mental-State-to-Behavior Reasoning in Image-to-Video Generation
- Title（参考訳）: MindWorldBench:イメージ・ツー・ビデオ生成におけるメンタル・ステート・ツー・ビヘイビア推論の評価
- Abstract要約: 我々は,精神状態から状態への推論を評価するためにMindWorldBenchを紹介した。
我々はこれを、モデルが明示的なアクションプロンプトなしで世界状態と潜伏変数からアクションを生成するメンタルステート・ツー・コンディション推論として定式化する。
自動パイプラインは、ビデオの品質、常識的妥当性、精神状態の整合性を評価する。
- 参考スコア（独自算出の注目度）: 54.77597328685035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current image-to-video models achieve visual realism and physical plausibility, but reasoning about mental states remains unexplored. Actions are driven by belief, desire, and perception, requiring inference beyond explicit instructions. We introduce MindWorldBench to evaluate mental-state-conditioned video generation. We formalize this as mental-state-to-behavior reasoning, where models generate actions from a world state and latent variables without explicit action prompts. MindWorldBench utilizes Zero-Action Prompting and a counterfactual design with 744 prompts to isolate the causal effects of mental states. An automated pipeline evaluates video quality, commonsense plausibility, and mental-state consistency. Evaluations of 11 models show that despite visual fidelity and physical reasoning, models fail to align behaviors with latent mental states. We identify a failure mode, termed Omniscient Bias, where models default to the objective world state rather than human's subjective belief. These results demonstrate a disconnect between visual generation and cognitive reasoning, suggesting a need for explicit mental-state modeling in video generation systems. Project website: https://richard2049-lee.github.io/MindWorldBench/
- Abstract（参考訳）: 現在のイメージ・トゥ・ビデオモデルは、視覚的リアリズムと身体的可視性を実現するが、精神状態に関する推論は未解明のままである。
行動は信念、欲望、知覚によって引き起こされ、明示的な指示以上の推論を必要とする。
我々は、精神状態の映像生成を評価するためにMindWorldBenchを紹介した。
我々はこれをメンタル・ステート・ツー・ビヘイビア推論として定式化し、モデルが明示的なアクションプロンプトを伴わずに、世界状態と潜伏変数からアクションを生成する。
MindWorldBenchはZero-Action Promptingと、精神状態の因果的影響を分離するための744のプロンプトを備えた対物デザインを利用している。
自動パイプラインは、ビデオの品質、常識的妥当性、精神状態の整合性を評価する。
11モデルの評価は、視覚的忠実さと物理的推論にもかかわらず、モデルは潜在精神状態と行動の整合に失敗することを示している。
我々は、Omniscient Biasと呼ばれる失敗モードを特定し、モデルが人間の主観的信念ではなく、客観的世界状態にデフォルトとなるようにする。
これらの結果は、視覚生成と認知的推論の切り離しを示し、ビデオ生成システムにおける明示的な精神状態モデリングの必要性を示唆している。
プロジェクトウェブサイト:https://richard2049-lee.github.io/MindWorldBench/
関連論文リスト
- Mental World Modeling [16.554275457748606]
メンタル・ワールド・モデリング(英: Mental World Modeling、MWM)は、メンタル変数を世界モデルのコアコンポーネントとする一般的な理論フレームワークである。
トレーニング不要で完全に検査可能なベースラインであるMENTISのフレームワークをインスタンス化する。
現代の8つのLLMベースの世界モデルを用いた実験では、人間の決定を予測するためには、精神状態を明示的にモデル化することが不可欠であることが示されている。
論文 参考訳（メタデータ） (2026-07-29T17:59:39Z) - Thinking in Video: Can Video Generators Really Reason About the Real World? [48.57950330221376]
ビデオで考えることは、ビデオが単なる出力アーティファクトではなく、因果的思考を構築し、拡張し、検証するための媒体である。
本稿では,2つの視点から世界一貫性モデルを監査するCausal-Generative Dual-Judge(DJCG)を紹介する。
オープンソースモデルは、ほとんどゼロの明示的な因果認識にもかかわらず、プラウザブルなダイナミクスを生成するのに対し、高度なクローズドソースシステムは、推論と生成の間には強いが、それでも限定的な整合性を示す。
論文 参考訳（メタデータ） (2026-07-20T03:56:43Z) - Autonomous Video Generation with Counterfactual Controllability for Self-Evolving World Models [40.57509385724164]
既存の文献では、ビデオ生成は基本的に世界モデリングであると主張している。
本稿では,対物制御性を備えた自律型ビデオ生成という新たな視点を提案する。
論文 参考訳（メタデータ） (2026-06-23T05:19:47Z) - Dream.exe: Can Video Generation Models Dream Executable Robot Manipulation? [57.234658753381915]
本稿では,ロボット操作を具体的かつ測定可能な窓として提案する。
もしモデルが本当に内在的な物理法則を持っているなら、その動きは実行可能なロボットの振る舞いに変換されるべきである。
Dream$.$exeは、ビデオから実行パイプラインを通じてこの基準を運用する評価フレームワークである。
論文 参考訳（メタデータ） (2026-06-03T12:35:35Z) - Ego2World: Compiling Egocentric Cooking Videos into Executable Worlds for Belief-State Planning [55.43343782036886]
Ego2Worldは、エゴセントリックな調理動画を、グラフ遷移ルールによって管理される実行可能な象徴的世界に変換する実行可能なベンチマークである。
評価中、シミュレータは隠された世界グラフを保持し、エージェントはローカルな観測と実行フィードバックのみを使用して、独自の部分的信念グラフを計画する。
この分離により、エージェントは真の世界の状態を観察することなく、メモリとリプランを更新せざるを得なくなる。
論文 参考訳（メタデータ） (2026-05-13T10:53:15Z) - Physion-Eval: Evaluating Physical Realism in Generated Video via Human Reasoning [77.34919361116037]
ビデオ生成モデルは、ストーリーテリング、シミュレーション、エンボディドAIのための世界シミュレータとして、ますます使われている。
既存の評価は、自動化されたメトリクスや、好みやルーリックベースのチェックのような粗い人間の判断に大きく依存している。
5つの最先端モデルによって生成されたビデオにおいて、物理的リアリズムの失敗を診断するための専門家による推論のベンチマークであるPhyllon-Evalを紹介する。
論文 参考訳（メタデータ） (2026-03-20T03:25:41Z) - HOCA-Bench: Beyond Semantic Perception to Predictive World Modeling via Hegelian Ontological-Causal Anomalies [30.95227838131802]
ビデオLLMは、セマンティック認識において着実に改善されているが、予測的世界モデリングには依然として不足している。
ヘーゲルレンズを通して物理異常をフレーム化するベンチマークであるHOCA-Benchを紹介する。
論文 参考訳（メタデータ） (2026-02-23T07:40:32Z) - Are Video Models Ready as Zero-Shot Reasoners? An Empirical Study with the MME-CoF Benchmark [124.00111584020834]
我々は、ビデオモデルがゼロショット推論器として機能する準備が整っているかどうかを実証研究する。
私たちは、人気の高いVeo-3に注力しています。
我々は,空間的,幾何学的,物理的,時間的,具体的論理を含む12次元にわたる推論行動を評価する。
論文 参考訳（メタデータ） (2025-10-30T17:59:55Z) - Spatial Mental Modeling from Limited Views [71.57140964322559]
新しいMindCubeベンチマークでは、3,268枚の画像に21,154件の質問があった。
MindCubeを用いて、視覚言語モデル(VLM)がいかに堅牢な空間精神モデルを構築するかを評価する。
次に、VLMが空間的メンタルモデルに近似する3つのアプローチを探索する。
論文 参考訳（メタデータ） (2025-06-26T16:38:19Z) - Vision Language Models See What You Want but not What You See [9.268588981925234]
他人の意図を知り、他人の視点をとることは、人間の知性の2つの中核的な構成要素である。
視覚言語モデル(VLM)における意図理解とレベル2視点取得について検討した。
VLMは意図的理解では高い性能を示したが,レベル2の視点では低い性能を示した。
論文 参考訳（メタデータ） (2024-10-01T01:52:01Z)
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。