論文の概要: State World Models: Execute the Rules, Generate the Pixels

• arxiv url: http://arxiv.org/abs/2610.26811v1
• Date: Mon, 19 Oct 2026 17:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 01:15:19.986016
• Title: State World Models: Execute the Rules, Generate the Pixels
• Title（参考訳）: State World Models: ルールを実行し、ピクセルを生成する
• Abstract要約: Stateful Harnessは、ステートフルとルールが支配するインタラクションをサポートするために、世界進化をビデオレンダリングから分離するフレームワークである。 特定のルールの下で進化する世界状態を維持し、結果のイベントを凍結したビデオモデルでレンダリングし、生成されたクリップを使用して次のターンに世界状態を更新する。
• 参考スコア（独自算出の注目度）: 87.46047440037937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing world models can generate action-conditioned video from a single image. Many focus on camera movement, allowing users to explore the generated scene. However, navigation alone does not ensure that an action follows persistent rules when its outcome depends on state that is invisible in the current frame. We present Stateful Harness, a framework that separates world evolution from video rendering to support stateful and rule-governed interaction. It maintains an evolving world state under specified rules, renders each resulting event with a frozen video model, and uses the generated clip to update the world state for the next turn. At each turn, the harness resolves the action selected by the user and compiles the resulting event into an instruction, while a preview clip from an editable 3D scene provides spatial and camera guidance. To evaluate rule compliance, we build WorldState-Bench, a benchmark of 50 counterfactual twin pairs that share an initial frame and action but differ in hidden state and required outcome. Under rule-only prompting, the best of the 11 evaluated video backends produces the required endings for both cases in 32% of pairs. For MiniMax-H3, specifying the required endings raises this rate from 32% to 64%, while the full harness reaches 92% with the same frozen model. These results support separating rule execution from video rendering for world interactions with hidden state.
• Abstract（参考訳）: 既存の世界モデルは、単一の画像からアクション条件付きビデオを生成することができる。 多くの人がカメラの動きに注目しており、ユーザーは生成されたシーンを探索することができる。 しかしながら、ナビゲーションだけでは、現在のフレームで見えない状態に依存する場合、アクションが永続的なルールに従うことを保証しません。 Stateful Harnessは、ステートフルとルールが支配するインタラクションをサポートするために、世界の進化をビデオレンダリングから分離するフレームワークです。 特定のルールの下で進化する世界状態を維持し、結果のイベントを凍結したビデオモデルでレンダリングし、生成されたクリップを使用して次のターンに世界状態を更新する。 各ターンで、ハーネスは、ユーザが選択したアクションを解決し、その結果のイベントを命令にコンパイルし、編集可能な3Dシーンからのプレビュークリップは、空間的およびカメラ的ガイダンスを提供する。 ルールコンプライアンスを評価するために、初期フレームとアクションを共有するが、隠された状態と必要な結果が異なる50の対実的なツインペアのベンチマークであるWorldState-Benchを構築した。 ルールのみのプロンプトでは、評価されたビデオバックエンドのベストは、両方のケースで必要なエンディングを32%のペアで生成する。 MiniMax-H3の場合、必要なエンディングを指定すると32%から64%に上昇し、フルハーネスは同じ凍結モデルで92%に達する。 これらの結果は、隠された状態とのワールドインタラクションのためのビデオレンダリングからルール実行を分離するのをサポートする。

関連論文リスト

• WorldGuide: Goal-Directed Video World Model for Procedural Task Execution [72.44464069390854]
  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。
  論文  参考訳（メタデータ） (2026-10-08T17:59:31Z)
• Keep the Effect, Drop the Actor: Programmable Effect-to-Execution World-Action Models [7.9328487827078975]
  PEWAMは、独立したフローマッチング時間を持つ4つのストリームとして、エフェクト、ロボット実行、アクション、端末状態を生成する。 保持されたLIBERO-Goalタスクでは、デモのプログラムが90エピソード中40エピソードを完了し、同じバックボーンがゴールイメージまたは言語を与え、デモ条件付きメソッドを発行する。 プログラムは座標の集合であるので、人はそれを編集できる。配置はシフトした端末状態に従い、グリップは回転した接触点で回転する。
  論文  参考訳（メタデータ） (2026-10-01T19:25:04Z)
• PROWBench: Do Video Models Render What the Program Specifies? [32.83238556974147]
  本稿では,170の特定エピソードと600のプロキシビデオからなるPROWBenchを紹介する。 PROWBenchは、カメラのフィールドビュー外のものを含むエンティティ状態とタイムスタンプイベントを再生可能なワールドレコードとして記録し、そこから同期表現を描画する。 タイムスタンプ付きエンジン記録イベントの,エンティティ制御,長期記憶,所定のタイムラインへの付着性,および視覚的実現性を評価する。
  論文  参考訳（メタデータ） (2026-10-01T17:59:53Z)
• WorldReward: Reward Modeling for Camera-Conditioned World Models [56.14617966299295]
  本稿では,VLMに基づくカメラコンディショニング世界モデルに対するペアワイズ優先報酬モデルであるWorldRewardを紹介する。 WorldRewardは、ペア化されたビデオをアクション整合したチャンクに分解し、各チャンクを構造化された視覚的エビデンスに整理し、ビデオレベルのアクションと視覚的品質の好みに投票することでチャンクレベルの決定を集約する。 WorldReward は GPT-5.5 の3.42 倍、 1.45 倍、および 3.56 倍の3つの次元で最高合意を達成している。
  論文  参考訳（メタデータ） (2026-09-03T14:53:53Z)
• Marionette: Predicting World States, Rendering Geometry, Painting Appearance [30.170848813370444]
  われわれはこのアイデアを,対話型ゲームと明瞭なキャラクタを持つ世界モデルであるMarionetteとしてインスタント化する。 二段階自己回帰力学モデルは、明示的で解釈可能な276次元の3次元世界状態を予測する。 制御条件付きビデオ拡散観測モデルは、結果として得られる制御からフォトリアリスティックなRGB観測を合成する。
  論文  参考訳（メタデータ） (2026-08-14T17:48:16Z)
• StateFlow: Building, Evolving, and Accessing 3D World States for Previsualization [86.21950969100901]
  我々は、生成前ビジョン化のためのステート中心のフレームワークであるStateFlowを紹介する。 ワンショットでビデオを生成する代わりに、StateFlowは編集可能な3Dワールドを使用してシーン構造、進化、カメラを整理する。 実験によると、StateFlowはビデオ制作やゲームライクなプロトタイピングのために高品質な3Dワールドを生産している。
  論文  参考訳（メタデータ） (2026-08-12T17:58:07Z)
• Action Images: End-to-End Policy Learning via Multiview Video Generation [70.67042168383638]
  我々は、ポリシー学習をマルチビュービデオ生成として定式化する統合世界アクションモデルであるAction Imagesを提案する。 本モデルでは,従来のビデオ空間モデルに比べて,最強のゼロショット成功率を実現し,ビデオアクションジョイント生成品質を向上させる。
  論文  参考訳（メタデータ） (2026-04-07T17:59:30Z)

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。