論文の概要: UniW(A)M: A Unified Mixture-of-Experts Framework for World and World-Action Models
- arxiv url: http://arxiv.org/abs/2610.18697v2
- Date: Mon, 19 Oct 2026 13:35:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 06:32:45.28475
- Title: UniW(A)M: A Unified Mixture-of-Experts Framework for World and World-Action Models
- Title（参考訳）: UniW(A)M:ワールドおよびワールド・アクション・モデルのための統一ミックス・オブ・エクササイズ・フレームワーク
- Abstract要約: 世界モデル(WM)と世界アクションモデル(WAM)はそれぞれ、将来の世界予測と実行可能なアクション生成に焦点を当てている。
拡散変換器上に構築され,動作条件付き世界モデリングと多種多様な WAM 変種を統一する混合実験用ワールド-アクションモデルである UniW(A)M を提案する。
LIBERO、RoboTwin 2.0、および3つの実世界の操作タスク上でUniW(A)Mを評価し、最強のベースラインでは76.7%に対して88.3%の平均的な実世界の成功を達成する。
- 参考スコア（独自算出の注目度）: 17.19365358881986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World models (WMs) and world-action models (WAMs) focus on future world prediction and executable action generation, respectively. Although these models learn shared physical dynamics and interaction semantics from embodied trajectories, they are typically trained in isolation, which restricts knowledge reuse between prediction and control. The central challenge is therefore to develop a unified learning framework that shares these dynamics while preserving the distinct modeling capabilities required by each paradigm. We propose UniW(A)M, a mixture-of-experts world-(action) model built upon diffusion Transformers that unifies action-conditioned world modeling and diverse WAM variants. Shared experts capture common dynamics, while atomic capability experts are reused across interfaces so that each interface keeps its own conditional pathway. At deployment, a plug-in adaptive interface router (PAIR) learns from a small subset of target-task chunk scenarios to select a suitable WAM interface for each execution chunk, balancing task success and execution efficiency while keeping the backbone frozen. We evaluate UniW(A)M on LIBERO, RoboTwin 2.0, and three real-world manipulation tasks, where it achieves 88.3% average real-world success versus 76.7% for the strongest baseline. On WorldArena, it leads action-conditioned world modeling on all three tasks. AC-WM co-training contributes to action generation on every action interface and PAIR raises OOD success from 63.3% to 76.7%.
- Abstract（参考訳）: 世界モデル(WM)と世界アクションモデル(WAM)はそれぞれ、将来の世界予測と実行可能なアクション生成に焦点を当てている。
これらのモデルは、具体化された軌道から共有された物理力学と相互作用の意味学を学ぶが、通常は独立した訓練を受け、予測と制御の間の知識の再利用を制限する。
したがって、中心的な課題は、各パラダイムが必要とする異なるモデリング能力を維持しながら、これらのダイナミクスを共有する統一的な学習フレームワークを開発することである。
拡散変換器上に構築され,動作条件付き世界モデリングと多種多様な WAM 変種を統一する混合実験用ワールド-アクションモデルである UniW(A)M を提案する。
共有された専門家は一般的なダイナミクスを捉え、アトミックな能力の専門家はインターフェース全体で再利用され、各インターフェースが独自の条件パスを保持する。
デプロイ時にプラグイン適応インタフェースルータ(PAIR)は、ターゲットタスクチャンクシナリオの小さなサブセットから学習し、各実行チャンクに適したWAMインターフェースを選択し、バックボーンを凍結させながらタスクの成功と実行効率のバランスをとる。
LIBERO、RoboTwin 2.0、および3つの実世界の操作タスク上でUniW(A)Mを評価し、最強のベースラインでは76.7%に対して88.3%の平均的な実世界の成功を達成する。
WorldArenaでは、アクション条件付きワールドモデリングを3つのタスクすべてで指揮する。
AC-WMの共同訓練はすべてのアクションインターフェースにおけるアクション生成に寄与し、PAIRはOODの成功を63.3%から76.7%に引き上げている。
関連論文リスト
- GIFT: Guided Intermediate Feature Training via Action-Oriented Structural Supervision for Robotic Manipulation [60.95802802905149]
GIFT(Guided Intermediate Feature Training)は,中間機能学習のためのアーキテクチャフレキシブルなフレームワークである。
我々は、各モデルのアクション定式化を維持しつつ、ビジョンランゲージ・アクション(VLA)ポリシー、ダイレクトアクション・ワールド・アクション・モデル(WAM)、逆ダイナミクスWAMでGIFTをインスタンス化する。
RoboCasaでは3つのGIFTバージョンが61.4%、83.6%、82.3%に達し、それぞれ12.6、9.0、8.4ポイントを上回っている。
論文 参考訳（メタデータ） (2026-09-03T17:59:03Z) - MoAKE: Toward Unified All-in-One Action Quality Assessment via Mixture of Action Knowledge Experts [24.636480920817736]
アクション品質アセスメント(AQA)は、アクションビデオからパフォーマンス品質を客観的に評価することを目的としている。
既存のほとんどのメソッドは1対1のパラダイムに従い、アクションタイプごとに別々のモデルをトレーニングします。
本稿では, ネガティブな知識伝達を軽減すべく, アクション知識エキスパートの混合(Mixture of Action Knowledge Experts)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-22T06:59:23Z) - From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。
世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。
我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
論文 参考訳（メタデータ） (2026-07-13T15:22:56Z) - HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。
HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。
実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
論文 参考訳（メタデータ） (2026-05-11T17:59:56Z) - MotuBrain: An Advanced World Action Model for Robot Control [23.733029557644354]
We present MotuBrain, a unified World Action Model that jointly model video and action under a UniDiffuser formulation。
単一のモデルは、ポリシー学習、世界モデリング、ビデオ生成、逆ダイナミクス、共同ビデオアクション予測をサポートする。
Motus上に構築されているMotuBrainは、言語と相互作用の結合を強くするための独立したテキストストリームである、統一されたマルチビューモデリングも導入している。
我々の推論スタックは、ステップの削減、コンパイル、FP8量子化、DiTキャッシュ、V2Aスタイルのアクション専用推論、リアルタイムチャンククループ実行を組み合わせたものです。
論文 参考訳（メタデータ） (2026-04-30T12:34:44Z) - World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry [82.93104394404781]
汎用世界モデルは、スケーラブルなポリシー評価、最適化、計画を約束します。
本稿では,世界モデルによる予測誤りと自己改善を識別するフレームワークであるWorld Action Verifier(WAV)を提案する。
論文 参考訳（メタデータ） (2026-04-02T12:48:36Z) - WorldCompass: Reinforcement Learning for Long-Horizon World Models [81.03997753254023]
この研究は、インタラクティブなビデオベースの世界モデルのための新しい強化学習(RL)フレームワークであるWorldを提示する。
本稿では,自己回帰ビデオ生成パラダイムに合わせた3つのコアイノベーションを紹介する。
様々なシナリオにおけるインタラクションの精度と視覚的忠実度を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2026-02-09T18:59:47Z) - Mixture-of-World Models: Scaling Multi-Task Reinforcement Learning with Modular Latent Dynamics [39.854659234873644]
タスク適応型視覚圧縮のためのモジュラー変分オートエンコーダを組み合わせたスケーラブルなアーキテクチャであるMixture-of-World Models (MoW)を紹介する。
Atari 100kベンチマークでは、26のAtariゲームでトレーニングされた1つのMoWエージェントが平均110.4%の人間正規化スコアを達成する。
MoWは3万の環境ステップで平均74.5%の成功率を達成した。
論文 参考訳（メタデータ） (2026-02-01T15:00:30Z) - Accurate and Efficient World Modeling with Masked Latent Transformers [58.0159270859475]
本研究では,MaskGIT予測を用いた空間潜在状態を用いた世界モデルであるEMERALDを紹介した。
Crafterベンチマークでは、EMERALDは最先端のパフォーマンスを新たに達成し、1000万の環境ステップで人間の専門家のパフォーマンスを上回る最初の方法となった。
論文 参考訳（メタデータ） (2025-07-05T15:49:21Z) - Transformer World Model for Sample Efficient Multi-Agent Reinforcement Learning [2.3964255330849356]
我々は、強化学習のための新しいトランスフォーマーベース世界モデルであるMulti-Agent Transformer World Model(MATWM)を提案する。
MATWMは、分散化された想像力フレームワークと半集中型の批評家とチームメイト予測モジュールを組み合わせる。
我々は,StarCraft Multi-Agent Challenge, PettingZoo, MeltingPotなど,幅広いベンチマークでMATWMを評価した。
論文 参考訳（メタデータ） (2025-06-23T11:47:17Z)
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。