論文の概要: MiniWAM: Learning Compact Future Targets for Efficient World-Action Modeling

• arxiv url: http://arxiv.org/abs/2610.12194v1
• Date: Thu, 08 Oct 2026 15:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.142664
• Title: MiniWAM: Learning Compact Future Targets for Efficient World-Action Modeling
• Title（参考訳）: MiniWAM: 効率的なワールド・アクション・モデリングのためのコンパクト・フューチャー・ターゲットの学習
• Abstract要約: MiniWAMは、特権付き現在の遷移から学んだコンパクトな未来の表現を予測する。 PRISMは、逆力学の監督と特徴再構成を組み合わせることで、制御関連遷移情報を強調する。 MiniWAMは、DINOv3とWAN2.1のVAE機能により、ネイティブな将来の予測を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 17.591153541878047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World modeling has emerged as an effective co-training objective for robot policies, giving rise to World Action Models (WAMs) that jointly predict actions and future states. However, most WAMs predict future states in the native representation space of pretrained visual backbones, resulting in high-dimensional targets with substantial training cost. We introduce MiniWAM, which instead predicts compact future representations learned from privileged current-future transitions. To construct these targets, we propose Predictive Representations via Inverse Spatiotemporal Modeling (PRISM), which combines inverse-dynamics supervision with feature reconstruction to emphasize control-relevant transition information while preserving useful future-state information. With the learned PRISM encoder frozen, MiniWAM is trained to jointly predict the resulting targets and robot actions from current observations. With 65$\times$ fewer native future feature tokens, MiniWAM consistently outperforms native future-feature prediction with both DINOv3 and WAN2.1 VAE features, while achieving up to an 8$\times$ speedup in world-action training. At 0.25B parameters, MiniWAM is already competitive with substantially larger WAMs on LIBERO, LIBERO-Plus, and RoboTwin 2.0 simulation benchmarks. Representation analyses further show that PRISM contributes behavioral structure beyond feature reconstruction alone. These results demonstrate that effective world-action modeling does not require predicting native visual futures, and that compact predictive representations provide a strong and substantially more efficient target for policy learning. The project page is available at: https://j1dan.github.io/MiniWAM.
• Abstract（参考訳）: 世界モデリングは、ロボット政策の効果的な協調学習目標として現れており、行動と将来の状態を共同で予測する世界行動モデル(WAM)が生まれている。 しかし、ほとんどのWAMは、事前訓練された視覚バックボーンのネイティブ表現空間における将来の状態を予測し、かなりの訓練コストで高次元の目標を達成している。 代わりに、特権化された現在-未来遷移から学んだコンパクトな未来表現を予測するMiniWAMを導入する。 これらの目標を構築するために,逆時空間モデリング(PRISM)を用いた予測表現を提案する。 学習したPRISMエンコーダを凍結させると、MiniWAMは現在の観測から得られた目標とロボットの動きを共同で予測するように訓練される。 65$\times$のネイティブな将来の機能トークンを減らし、MiniWAMはDINOv3とWAN2.1のVAE機能で常にネイティブな将来の予測を上回り、ワールドアクショントレーニングでは最大8$\times$のスピードアップを達成した。 0.25Bのパラメータで、MiniWAMはすでにLIBERO、LIBERO-Plus、RoboTwin 2.0のシミュレーションベンチマークでかなり大きなWAMと競合している。 表現解析により、PRISMは特徴再構成のみに留まらず、行動構造に寄与することが示された。 これらの結果から,実効的な世界行動モデリングは自然の視覚的未来を予測する必要はなく,コンパクトな予測表現が政策学習の強力な,より効率的なターゲットとなることが示唆された。 プロジェクトページは、https://j1dan.github.io/MiniWAM.comで公開されている。

関連論文リスト

• One from Infinity: Actualizing Futures from Pretrained World Models into Robot Actions [52.542279563757724]
  映像の世界モデルでは、シーンの多くの有望な未来が認められるが、ロボットは正確なタスク条件に気付く必要がある。 我々は、このタスクを現実化として形式化し、フリーズワールドモデルによって提供された事前のタスク条件の選択と実現を学習する。 我々は,冷凍世界モデルエンコーダ上に,最大60万パラメータのRoboActualizerを実装した。 現実化器は2つの軽量なDiT専門家で構成されており、将来的な潜伏剤とフローマッチングによるアクションを共同で予測する。
  論文  参考訳（メタデータ） (2026-09-29T00:05:24Z)
• JEPA-WAM: Learning Vision-Language-Action Policies with Joint-Embedding World Modeling [23.76460420882974]
  我々は,事前訓練されたV-JEPA空間に構築された潜水型WAMであるJEPA-WAMを紹介する。 遅延遷移予測と、共有予測器による連続的なアクション生成を結合する。 LIBERO-Plusでは、JEPA-WAMは79.2%を達成し、大規模なロボット政策の事前訓練を行わない最も良い結果となった。
  論文  参考訳（メタデータ） (2026-08-10T09:57:54Z)
• LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies [31.88655699486955]
  ラワント・アクション条件付きラワント・ワールドモデル(LaWM)を提案する。 LaWAMは、将来のビデオの再構成ではなく、コンパクトで潜伏した視覚サブゴールを通じて、ロボットポリシーに対する予測ダイナミクスを公開する。 LaWAMはアクションチャンク予測あたり187msで動作し、画素空間のWAMよりも最大24倍の遅延時間を実現する。
  論文  参考訳（メタデータ） (2026-06-14T12:06:58Z)
• Efficient-WAM: A 1B-Parameter World-Action Model with Low-Cost Future Imagination [45.6948544726412]
  World-Action Models (WAM) は未来の視覚予測とアクション生成を結合する。 ほとんどの既存のWAMは将来の予測に依存しており、高い推論遅延を引き起こし、リアルタイムロボットのデプロイを困難にしている。 本稿では,その制御利益を保ちつつ,将来の想像力のコストを低減させるワールド・アクション・モデルであるEfficient-WAMを紹介する。
  論文  参考訳（メタデータ） (2026-06-08T18:14:08Z)
• Light-WAM: Efficient World Action Models with State-Fusion Action Decoding [15.384126562001027]
  Light-WAMは、効率的なロボット操作のための軽量なワールドアクションモデルである。 コンパクトなビデオバックボーンで構築され、ダウンサンプリングされた潜在空間で将来のビデオ監視を行う。 実験により、Light-WAMはLIBERO上で強力な性能を維持し、RoboTwin 2.0上で使用可能なマルチタスク性能を実現している。
  論文  参考訳（メタデータ） (2026-06-06T15:58:12Z)
• GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
  GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。 実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
  論文  参考訳（メタデータ） (2026-03-18T00:52:02Z)
• FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
  $textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。 $textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。 この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
  論文  参考訳（メタデータ） (2025-05-21T15:33:27Z)

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。