論文の概要: LAW: Unifying Language, Action, and World Modeling for Agentic Physical Intelligence

• arxiv url: http://arxiv.org/abs/2610.23334v1
• Date: Fri, 16 Oct 2026 11:39:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.905633
• Title: LAW: Unifying Language, Action, and World Modeling for Agentic Physical Intelligence
• Title（参考訳）: LAW:エージェント物理知能のための言語・行動・世界モデリングの統合
• Abstract要約: 本稿では,言語推論,アクション生成,世界モデリングを統合した閉ループVLM--WAMフレームワークであるLAWを紹介する。 LAWは50のRoboTwinタスクで平均94.21%の成功を達成した。
• 参考スコア（独自算出の注目度）: 52.14897623664594
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: World-action models jointly predict actions and future world states, but long-horizon manipulation further requires language reasoning to plan subtask objectives, assess execution progress, and guide action selection. We present LAW, a closed-loop VLM--WAM framework that unifies language reasoning, action generation, and world modeling through semantic subtask progress. Within the LAW agent, a hybrid-expert vision-language model plans the remaining subtasks, estimates the values of and fuses actions proposed by a world-action model, and asynchronously assesses execution status to support continued execution and subtask transitions. Within the world-action model, Mixture-of-Transformer Experts integrates modality-specific and shared computation for joint video--action modeling. Dual-stream hierarchical visual memory maintains temporal context for both models, while subtask-local value learning aligns action evaluation with semantic objectives and preserves supervision from successful prefixes of failed trajectories. LAW achieves 94.21% average success across 50 RoboTwin tasks. Replacing the WAM backbone with OpenWAM-$alpha$ further raises the average success rate to 95.56%, establishing a new open-source state of the art on RoboTwin. Despite having only 2B parameters, our VLM also outperforms variants using Embodied-R1.5 and GPT-5.5 High. On three long-horizon real-robot tasks, LAW achieves 65% average success, compared with 28.33% for $pi_{0.5}$ and 25% for Fast-WAM.
• Abstract（参考訳）: 世界行動モデルは、行動と将来の世界の状態を共同で予測するが、長期的な操作は、サブタスクの目的を計画し、実行の進捗を評価し、行動選択を導くために言語推論を必要とする。 本稿では,言語推論,アクション生成,世界モデリングをセマンティック・サブタスク・プログレスを通じて統合する,閉ループVLM-WAMフレームワークであるLAWを紹介する。 LAWエージェント内では、ハイブリッド・エキスパートの視覚言語モデルが残りのサブタスクを計画し、ワールドアクションモデルによって提案されるアクションの値を推定し、ヒューズし、実行ステータスを非同期に評価し、継続的な実行とサブタスク遷移をサポートする。 ワールドアクションモデルでは、Mixture-of-Transformer Expertsは、共同ビデオアクションモデリングのためのモダリティ固有の共有計算を統合している。 デュアルストリーム階層型視覚記憶は両方のモデルに対して時間的文脈を維持し、サブタスクローカルな値学習は動作評価を意味的目的と整合させ、失敗した軌道の接頭辞から監督を維持する。 LAWは50のRoboTwinタスクで平均94.21%の成功を達成した。 OpenWAM-$alpha$でWAMのバックボーンを置き換えると、平均的な成功率は95.56%に上昇し、RoboTwinの新たなオープンソースステート・オブ・ザ・アートが確立した。 VLMは2Bパラメータしか持たないにもかかわらず、Embodied-R1.5 と GPT-5.5 High の変種よりも優れています。 3つの長距離リアルタイムタスクでは、LAWは平均65%の成功を達成し、28.33%が$pi_{0.5}$、25%がFast-WAMである。

関連論文リスト

• EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
  視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。 本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。 共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
  論文  参考訳（メタデータ） (2026-09-01T14:14:47Z)
• AHA-WAM:Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing [45.6226084109777]
  本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築されたAHA-WAM(Asynchronous Horizon-Adaptive World-Action Model)を提案する。 AHA-WAMはロボットデータの事前学習なしに最先端のパフォーマンスを達成し、RoboTwinで平均92.80%、実世界の4つのタスクで78.3%の成功を達成した。
  論文  参考訳（メタデータ） (2026-06-08T17:55:18Z)
• Grounded World Model for Semantically Generalizable Planning [94.53923128709965]
  我々は、視覚言語対応の潜在空間において、グラウンドドワールドモデル(GWM)を学習する。 提案された各アクションは、タスク命令に対する将来の結果がどの程度近いかに基づいてスコアされる。 提案したWISERベンチマークでは、GWM-MPCはテストセットで87%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-04-13T17:25:41Z)
• Exposing Limitations of Language Model Agents in Sequential-Task Compositions on the Web [69.6913064185993]
  言語モデルエージェント(LMA)は、ミューティステップ決定タスクにおける有望なパラダイムとして登場した。 約束にもかかわらず、現実世界のアプリケーションでの彼らのパフォーマンスはまだ過小評価されている。 既存のLMAはベースタスクで平均94.0%の成功率を達成したが、その性能は構成タスクで平均24.9%に低下した。
  論文  参考訳（メタデータ） (2023-11-30T17:50:47Z)

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。