論文の概要: World Models' Last Exam in Physics

• arxiv url: http://arxiv.org/abs/2610.08791v1
• Date: Tue, 06 Oct 2026 17:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.181985
• Title: World Models' Last Exam in Physics
• Title（参考訳）: 世界模型の物理学への最後の旅
• Abstract要約: 我々は,ビデオワールドモデルの物理的一貫性を評価するための測定ベースのベンチマークであるWorld ModelsのLast Exam in Physicsを紹介する。 このベンチマークは、力学、光学、流体、熱および相変化現象、電磁磁気、表面張力にまたがる40の制御されたタスクで構成されている。 1,280のビデオにまたがる8つのビデオ生成モデルの実験では、永続的な物理的不整合とタスク間の実質的な変動が明らかになった。
• 参考スコア（独自算出の注目度）: 4.4098893730598645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video world models can produce visually convincing yet physically inconsistent sequences, raising concerns about their reliability for prediction and planning in embodied AI systems. Existing evaluations often rely on model-based judgments or reference videos, while direct physical tests largely focus on mechanics. We introduce World Models' Last Exam in Physics, a measurement-based benchmark for evaluating physical consistency in video world models. The benchmark comprises 40 controlled tasks spanning mechanics, optics, fluids, thermal and phase-change phenomena, electromagnetism, and surface tension. Each task pairs an initial image and a generation prompt with predefined physical criteria, enabling interpretable tests of observable physical relationships without requiring reference videos. Its evaluator combines task-observability screening with task-specific quantitative physical measurements. Experiments on eight video generation models across 1,280 videos reveal persistent physical inconsistencies and substantial variation across tasks, with the best model achieving an overall score of 57.76 out of 100. Evaluation on synthetic videos with known physical relationships provides evidence for the validity of the measurement module under controlled conditions. The evaluator also achieves higher agreement with human judgments than a direct vision-language model baseline in both within-task rankings and pairwise comparisons. By combining coverage across physical domains with scores grounded in measurable evidence and explicit measurement limitations, the benchmark provides an interpretable basis for diagnosing physical inconsistencies and tracking progress toward physically consistent video world models.
• Abstract（参考訳）: ビデオワールドモデルは、視覚的に説得力のあるが物理的に一貫性のないシーケンスを生成し、組み込みAIシステムにおける予測と計画の信頼性に関する懸念を提起する。 既存の評価はしばしばモデルに基づく判断や参照ビデオに依存し、直接的な物理的テストはメカニクスに重点を置いている。 我々は,ビデオワールドモデルの物理的一貫性を評価するための測定ベースのベンチマークであるWorld ModelsのLast Exam in Physicsを紹介する。 このベンチマークは、力学、光学、流体、熱および相変化現象、電磁磁気、表面張力にまたがる40の制御されたタスクで構成されている。 各タスクは、予め定義された物理基準で初期画像と生成プロンプトをペアリングし、参照ビデオを必要としない観測可能な物理関係の解釈可能なテストを可能にする。 その評価器はタスク・オブザーバビリティ・スクリーニングとタスク固有の量測定を組み合わせる。 1,280ビデオの8つのビデオ生成モデルに対する実験では、永続的な物理的不整合とタスク間の実質的な変動が示され、最も優れたモデルは100点中57.76点である。 物理的関係が知られている合成ビデオの評価は、制御条件下での測定モジュールの有効性を示す証拠となる。 評価者は、タスク内ランキングとペアワイズ比較の両方において、直接視覚言語モデルベースラインよりも、人間の判断とのより高い一致を達成する。 物理領域のカバー範囲を測定可能な証拠と明示的な測定限界に基礎を置くことで、このベンチマークは物理的不整合を診断し、物理的に一貫したビデオワールドモデルに向けた進捗を追跡するための解釈可能な基盤を提供する。

関連論文リスト

• RoboTwin-Phys: Do WAMs and VLAs Understand the Physical World? [54.35411689685545]
  RoboTwin-Physは、物理条件の多様性をロボット操作評価の明示的な次元として扱う物理多様性ベンチマークである。 本研究では, 物理属性推定, 条件対応モデリング, 物理条件付き政策トレーニングなど, 基礎的物理パラメータを用いた5,000以上の専門家による実証実験を公表する。
  論文  参考訳（メタデータ） (2026-09-22T12:04:52Z)
• 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)
• Trimming the Long-Tail of Visual World Modeling Evaluation [67.17191772079316]
  本論文では,不規則な物理的相互作用をシミュレートするために世界モデルに挑戦するベンチマークであるTailor-Benchを紹介する。 通常のシナリオは共通のツールとタスクのペアを反映し、従来型のツールを属性互換の代替品に置き換え、Impossibleシナリオは属性違反ツールを導入している。 実験結果から,物理世界モデリングの長期的ギャップは明らかであり,共通相互作用を超越した一般化の限界が示唆された。
  論文  参考訳（メタデータ） (2026-06-23T07:43:41Z)
• WorldBench: Disambiguating Physics for Diagnostic Evaluation of World Models [17.757245394765807]
  We introduced WorldBench, a video-based benchmark designed for concept-specific, disentangled evaluation。 WorldBenchは、ビデオ生成と世界モデルの物理的推論能力を厳格に評価するための、より微妙でスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-01-29T05:31:02Z)
• PhysicsMind: Sim and Real Mechanics Benchmarking for Physical Reasoning and Prediction in Foundational VLMs and World Models [40.16417939211015]
  MLLM(Multimodal Large Language Models)やビデオワールドモデルは、数学的、常識的、視覚的推論において大きく進歩している。 この問題を計測しようとする既存のベンチマークは、合成された視覚的質問応答テンプレート、あるいは物理的な法則によってビデオがどれだけうまく機能するかを測定するための知覚的ビデオ品質に焦点を当てている。 我々は,3つの標準原理(Center of Mass, Lever Equilibrium, Newton's First Law)について,法に一貫性のある推論と生成を評価する統一ベンチマークであるPhysicalMindを紹介する。
  論文  参考訳（メタデータ） (2026-01-22T14:33:01Z)
• LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
  ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。 現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。 経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
  論文  参考訳（メタデータ） (2025-10-13T15:19:07Z)
• "PhyWorldBench": A Comprehensive Evaluation of Physical Realism in Text-to-Video Models [38.14213802594432]
  PhyWorldBenchは、物理法則に準拠したビデオ生成モデルを評価するために設計されたベンチマークである。 我々は、現実世界の物理学に故意に違反する「反物理学」という新しいカテゴリーを紹介した。 5つのオープンソースモデルと5つのプロプライエタリモデルを含む12の最先端のテキスト・ビデオ生成モデルを評価する。
  論文  参考訳（メタデータ） (2025-07-17T17:54:09Z)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)

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。