論文の概要: PrismWAM: Decoupling State Representations in World Action Models

• arxiv url: http://arxiv.org/abs/2610.26564v1
• Date: Mon, 19 Oct 2026 15:21:30 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:30:32.045517
• Title: PrismWAM: Decoupling State Representations in World Action Models
• Title（参考訳）: PrismWAM:世界行動モデルにおける状態表現の分離
• Abstract要約: 我々は、世界国家は世界がどのように現われるかと、世界が行動する中でどのように進化するかを分離すべきであると主張している。 PrismWAMは、エンボディされたタスクを$mathrmSemantic PlanningrightarrowmathrmPhysical RolloutrightarrowmathrmExecutable$ Pipelineに分解する。
• 参考スコア（独自算出の注目度）: 31.272944616995726
• License:
• Abstract: World Action Models (WAMs) typically represent the world through latent embeddings from pretrained video models, which entangle heterogeneous aspects of the world, from how it looks (e.g., texture and color) to how it is physically configured (e.g., occupancy and pose). This raises an underexplored question: $\textbf{what should constitute the state of a WAM?}$ We argue that the world state should separate how the world appears from how the world evolves under action: the former captures semantic context, while the latter is governed by physical state. To this end, we propose $\textbf{PrismWAM}$, which decouples physics from semantics while jointly modeling state and action. PrismWAM factorizes an embodied task into a $\mathrm{Semantic\ Planning}\rightarrow\mathrm{Physical\ Rollout}\rightarrow\mathrm{Executable\ Action}$ pipeline: given only the initial RGB observation, semantic planning learns to predict the final goal image, while physical rollout predicts the fine-grained evolution toward this goal in depth space; executable actions are then generated from the depth rollout. Without any embodied action pretraining or additional data augmentation, PrismWAM achieves strong manipulation performance in both simulation and the real world. Notably, PrismWAM even surpasses a broad range of models with large-scale embodied action pretraining (e.g., OpenWAM-$α$). More broadly, we reframe World Action Models from modeling how the world looks to how it responds to action, paving the way for action-centric world models grounded in occupancy, flow, tactile sensing, proprioception, and beyond.
• Abstract（参考訳）: World Action Models (WAMs) は一般的に、不均一な外観(例えば、テクスチャと色)から物理的な構成(例えば、占有とポーズ)まで、世界の異質な側面を絡ませる、事前訓練されたビデオモデルからの潜伏した埋め込みを通して世界を表現する。 $\textbf{What should be the state of a WAM? 前者は意味的文脈を捉え、後者は物理的状態によって支配される。 この目的のために、状態と動作を共同でモデル化しながら、物理を意味論から分離する$\textbf{PrismWAM}$を提案する。 PrismWAMは、エンボディされたタスクを$\mathrm{Semantic\ Planning}\rightarrow\mathrm{Physical\ Rollout}\rightarrow\mathrm{Executable\ Action}$ Pipeline: 最初のRGB観察のみを前提に、セマンティックプランニングは最終的なゴールイメージを予測することを学習し、物理的なロールアウトは、このゴールに向けた奥行き空間での詳細な進化を予測する。 PrismWAMは、事前トレーニングや追加のデータ拡張を具現化せずに、シミュレーションと現実世界の両方で強力な操作性能を実現する。 特に、PrismWAMは大規模な実施済みアクション事前トレーニング(例えば、OpenWAM-$α$)を持つ幅広いモデルを超えている。 より広い範囲で、私たちはWorld Action Modelsを、世界がどのように行動に反応するかのモデリングから作り直しました。

関連論文リスト

• Token-World: World Modeling in Vision-Language Model Token Space for Robot Manipulation [66.07387385688453]
  Token-Worldは、VLM機能をコンパクトなトークン状態に圧縮するアクション条件の世界モデルである。 この縮小された空間で将来の力学を学習し、予測された状態が元の方針に向いた表現に戻る。
  論文  参考訳（メタデータ） (2026-09-30T18:45:32Z)
• Magic-W0: A Structured World-Action Foundation Model for Physical Intelligence [15.387507304280179]
  我々は、構造化された物理的状態の進化と連続的な動作を共同でモデル化する世界行動基盤モデルMagic-W0を紹介する。 現在の状態は、視覚言語コンテキストと現在の3D幾何を組み合わせたものであり、遷移は3Dモーションで表される。 将来の状態は、タスク関連の結果を記述する将来のセマンティックスによって表現される。
  論文  参考訳（メタデータ） (2026-09-30T14:49:55Z)
• InternW0-$Δ$: A World Action Model Bridging Predictive Dynamics and Actions with 20K+ Hours of Open Data [84.09989566646709]
  World Action Models (WAM) は、汎用ロボット操作のための視覚力学とアクション生成を共同でモデル化する。 異種コーパス上で事前訓練した統一WAMであるInternW0-$を紹介した。 トレーニングコード、モデルウェイト、インフラストラクチャ、データ処理パイプライン、およびライセンスが許可するデータ処理をオープンソースにします。
  論文  参考訳（メタデータ） (2026-09-25T15:24:25Z)
• World Tokens: Enhancing Embodied Policies with Training-Time World Modeling [29.442423651761107]
  私たちはWorld Tokensを紹介します。World Adapterを中心に構築された、具体化されたポリシーアーキテクチャです。 World Tokensは視覚言語理解、ワールドダイナミックスモデリング、アクション生成を橋渡しする。 SIMPLEで報告された最高の平均値を取得し、一致したアクションのみのベースラインよりも実世界のR1 Proの成功を大幅に改善し、VLAレベルのレイテンシで各アクションチャンクを生成する。
  論文  参考訳（メタデータ） (2026-08-10T15:30:38Z)
• Not All Actions Are Equal: Rethinking Conditioning for Dexterous World Model [15.646017114869169]
  アクション・コンディショニングは、アクション・コンディショナード・ワールド・モデルでは未発見のままである。 本稿では,グローバル圧縮ではなく構造化プロセスとして動作条件を扱うDexACを提案する。 セマンティックブランチとDexACを組み合わせることで、FID、FVD、PCKが大幅に向上し、視覚的時間的リアリズムと行動追従一貫性が向上することを示す。
  論文  参考訳（メタデータ） (2026-06-25T17:36:35Z)
• World Action Models: A Survey [100.95337034529263]
  ワールドアクションモデル(World Action Models, WAM)は、将来を予測できる予測モデルである。 近年のWAMは大規模なビデオ生成モデルを再利用しており、並列線はビデオ生成コアを持たない言語や視覚言語によるバックボーンに依存している。 この調査は、フィールドに共通の説明を与えます。まず、これらの境界を明確にし、2つの補完的な視点で既存の作業を整理します。
  論文  参考訳（メタデータ） (2026-06-18T17:05:19Z)
• World Action Models: The Next Frontier in Embodied AI [123.5787299299832]
  VLA(Vision-Language-Action)モデルは、具体的政策学習のための強力なセマンティックな一般化を実現している。 彼らは、物理的な世界が介入の下でどのように進化するかを明示的にモデル化することなく、リアクティブな観察から行動へのマッピングを学ぶ。 成長するこの制限には、世界モデル、環境ダイナミクスの予測モデル、アクション生成パイプラインを統合することで対処する。
  論文  参考訳（メタデータ） (2026-05-12T13:10:52Z)
• The DAWN of World-Action Interactive Models [30.798493550954703]
  世界予測と行動生成は、孤立した並列分岐または厳格な予測理論計画パイプラインとして扱われる。 textbfDAWN (textbfDenoising textbfActions and textbfWorld itextbfNteractive model) は単純だが強力な遅延生成ベースラインである。 DAWNは、複数の自律運転ベンチマークで強い計画性能と良好な安全関連結果を達成する。
  論文  参考訳（メタデータ） (2026-05-12T05:30:00Z)
• 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。