論文の概要: WorldGuide: Goal-Directed Video World Model for Procedural Task Execution

• arxiv url: http://arxiv.org/abs/2610.12459v1
• Date: Thu, 08 Oct 2026 17:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.267489
• Title: WorldGuide: Goal-Directed Video World Model for Procedural Task Execution
• Title（参考訳）: WorldGuide: 手続き的タスク実行のためのゴール指向ビデオワールドモデル
• Abstract要約: 視覚空間における閉ループタスク実行としての手続き型ビデオ生成の定式化 WorldGuideはアトミックアクションを予測し、対応するビデオクリップを生成し、生成された結果を使用して次のアクションを選択したり、終了したりする。 WorldGuideはtextbfWorldGuide-Benchで33.33%のタスク成功を達成したが、最近の強力なビデオモデルMiniMax-H3では29.90%だった。
• 参考スコア（独自算出の注目度）: 72.44464069390854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video generators and video-based world models can synthesize plausible visual trajectories, but long-horizon procedural tasks require generation to adapt to what has actually been produced. A model must determine the next action from its generated state, execute that action, and recognize when the task is complete. Open-loop generation cannot adapt to execution outcomes, while existing closed-loop systems often rely on pretrained executors or indirect verification. This leaves a gap between deciding an action and successfully realizing it. We formulate procedural video generation as \emph{closed-loop task execution in visual world space} and introduce \textbf{WorldGuide}. Given only an initial image and a task goal, WorldGuide predicts an atomic action, generates its corresponding video clip, and uses the generated result to select the next action or terminate. The Planner and Executor are trained on the same step-level procedural demonstrations: the Planner learns to predict the next atomic action or task completion from visual progress, while the Executor is directly trained to realize the predicted actions. Hierarchical visual memory maintains state across long-horizon execution with bounded history token cost. Due to the lack of step-level action-video supervision for joint planner-executor training, we introduce \textbf{WorldGuide Bench}: approximately 59K step-annotated videos across 245 tasks and 27 procedural categories. WorldGuide achieves a 33.33\% Task Success on \textbf{WorldGuide-Bench}, compared with 29.90\% for the strong recent video model MiniMax-H3, even though MiniMax-H3 receives reference action plans, and achieves 47.69\% on \textbf{VideoCraft-Bench} compared with 32.73\% for MiniMax-H3 under goal-only conditioning. These results demonstrate the importance of coupling planning with learned execution for goal-directed procedural video generation.
• Abstract（参考訳）: ビデオジェネレータやビデオベースの世界モデルは、可塑性な視覚軌道を合成することができるが、長い水平手続きタスクは、実際に生成されたものに適応するために生成を必要とする。 モデルは生成された状態から次のアクションを決定し、そのアクションを実行し、タスクが完了したことを認識しなければなりません。 オープンループ生成は実行結果に適応できないが、既存のクローズドループシステムは事前訓練された実行子や間接的な検証に依存することが多い。 このことは、アクションを決め、それを実現するためのギャップを残します。 プロシージャビデオ生成を,視覚空間における「emph{closed-loop task execution in visual world space」として定式化し,「textbf{WorldGuide}」を紹介した。 初期画像とタスクゴールのみを前提として、WorldGuideはアトミックアクションを予測し、対応するビデオクリップを生成し、生成された結果を使用して次のアクションを選択したり、終了したりする。 PlannerとExecutorは同じ段階的な手続き的なデモンストレーションでトレーニングされている: Plannerは次のアトミックアクションやタスク完了を視覚的な進歩から予測することを学び、Executorは予測されたアクションを実現するために直接訓練される。 階層型ビジュアルメモリは、境界付き履歴トークンコストで長期実行の状態を維持できる。 共同プランナー・エグゼクティブトレーニングのためのステップレベルのアクションビデオ監視が欠如しているため,約59Kのステップアノテーション付きビデオと27の手続きカテゴリーを紹介した。 WorldGuide は textbf{WorldGuide-Bench} で 33.33\% のタスク成功を達成したが、最近の強力なビデオモデル MiniMax-H3 では 29.90\% であり、MiniMax-H3 では参照アクションプランを受け取っており、目標のみの条件下では 32.73\% に対して 47.69\% のタスク成功を達成した。 これらの結果は、目標指向の手続き型ビデオ生成における学習実行と計画の結合の重要性を示している。

関連論文リスト

• Predicted Futures Are Not Enough: Learning Executable Goals for Robot Manipulation [13.1613046836053]
  本稿では3次元トレースワールドモデルの明示的な出力として実行可能端末を目標とする,学習された予測・実行インターフェースを提案する。 5つの操作タスクで、パイプラインの平均成功率は79.69%である。 結果は、予測・実行インターフェースをワールド・モデル・プランニングの明示的な学習要素として扱うことを支援する。
  論文  参考訳（メタデータ） (2026-10-07T02:07:21Z)
• WatchAct: A Benchmark for Behavior-Grounded Robot Manipulation [49.31386176285509]
  WatchActは、観察された人間の行動に基づくロボット操作のベンチマークである。 WatchActは4つの機能ドメインで14タスクにわたる3,000のロングホライゾンインスタンスで構成されている。 シミュレーションとFranka Research 3ロボットの両方で、現在のシステムはWatchActの解決には程遠い。
  論文  参考訳（メタデータ） (2026-06-24T23:13:56Z)
• World Model Self-Distillation: Training World Models to Solve General Tasks [23.602187351200183]
  本稿では,自己蒸留と強化学習を組み合わせることで,事前学習ビデオモデルにおけるタスク解決能力を実現するスケーラブルなフレームワークを提案する。 我々は,課題映像の監督を行なわずに,キャプション誘導世代から指示条件付きタスク解決へ実行知識を伝達する。 実験の結果,エグゼクタはVLMに基づく評価プロトコルでデモレータを超越し,ロボットタスクに競争力を持たせることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T13:40:19Z)
• NovaPlan: Zero-Shot Long-Horizon Manipulation via Closed-Loop Video Language Planning [36.20611975009607]
  クローズドループVLMとビデオプランニングを統合した階層型フレームワークであるNovaPlanを紹介する。 高いレベルでは、VLMプランナーはタスクをサブゴールに分解し、クローズドループでロボットの実行を監視する。 低レベルのロボット動作を計算するために,タスク関連オブジェクトキーポイントと人手ポーズの両方を抽出し,活用する。
  論文  参考訳（メタデータ） (2026-02-23T18:35:18Z)
• Video-Mined Task Graphs for Keystep Recognition in Instructional Videos [71.16703750980143]
  手続き的活動理解には、より広いタスクの観点から人間の行動を知覚する必要がある。 本稿では,ハウツービデオからタスクグラフを自動的に発見して,人々がキーステップを実行する傾向を確率論的に表現することを提案する。 より信頼性の高いゼロショットキーステップのローカライゼーションとビデオ表現学習の改善。
  論文  参考訳（メタデータ） (2023-07-17T18:19:36Z)
• Non-Sequential Graph Script Induction via Multimedia Grounding [129.83134296316493]
  我々は、学習タスクのための明示的なグラフスクリプトを生成することと、部分的なステップシーケンスが与えられた将来のステップを予測することの両方が可能なスクリプト知識モデルを訓練する。 人間による評価では、我々のモデルはWikiHowの線形ベースラインを48.76%上回り、シーケンシャルなステップ関係と非シーケンシャルなステップ関係を捉えた。
  論文  参考訳（メタデータ） (2023-05-27T18:13:17Z)
• Learning and Verification of Task Structure in Instructional Videos [85.511888642497]
  本稿では,教師ビデオのセマンティクスと構造を表現することに焦点を当てた,事前学習型ビデオモデルVideoTaskformerを紹介する。 ステップ表現をローカルに学習する以前の作業と比較して,私たちのアプローチは,それらをグローバルに学習するものです。 命令ビデオにおける誤り検出のための2つの新しいベンチマークを導入し,異常なステップが存在するか,ステップが正しい順序で実行されるかを確認する。
  論文  参考訳（メタデータ） (2023-03-23T17:59:54Z)

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。