論文の概要: WorldProbe: When Video World Models Fall Apart under Long-Horizon Spatial Exploration

• arxiv url: http://arxiv.org/abs/2610.39721v1
• Date: Thu, 29 Oct 2026 09:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:47:37.827368
• Title: WorldProbe: When Video World Models Fall Apart under Long-Horizon Spatial Exploration
• Title（参考訳）: WorldProbe: 長距離宇宙探査でビデオワールドモデルが崩壊したとき
• Abstract要約: ビデオワールドモデルは、カメラやアクションインプットから将来の視覚的な観察を生成する。 既存のベンチマークでは、短いインタラクションを評価したり、生成前に固定されたカメラトラジェクトリに依存している。 我々は、ゴール条件付きマルチモーダルエージェントを使用して、世代間カメラアクションをオンラインで適応させる診断ベンチマークであるWorldProbeを紹介する。
• 参考スコア（独自算出の注目度）: 44.701701756001775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video world models generate future visual observations from camera or action inputs, with the goal of synthesizing persistent 3D worlds that can be explored across time and space. Existing benchmarks typically evaluate short interactions or rely on camera trajectories fixed before generation. The performance of video world models under long-horizon exploration with extensive camera motion remains under-explored. We introduce WorldProbe, a diagnostic benchmark that uses a goal-conditioned multimodal agent to adapt camera actions online during generation. WorldProbe comprises 164 test cases across four probing families. Across 10 state-of-the-art models, we generate more than 1,600 rollouts totaling approximately 800 minutes, with horizons up to 180 seconds. Our evaluation across four dimensions reveals both the degradation of local measures and the emergence of long-range inconsistencies. We find that recent models sustain visual and content quality for longer, while long-range memory and evolution remain weak. These results expose a gap between locally stable generation and persistent world consistency that is largely missed by existing benchmarks. Code and benchmark resources are available at https://github.com/Untitled-W/WorldProbe.
• Abstract（参考訳）: ビデオワールドモデルは、時間と空間にわたって探索できる永続的な3D世界を合成することを目的として、カメラやアクションインプットから将来の視覚的な観察を生成する。 既存のベンチマークは通常、短いインタラクションを評価したり、生成前に固定されたカメラトラジェクトリに依存する。 広視野カメラモーションによる長距離探査におけるビデオワールドモデルの性能は未調査のままである。 我々は、ゴール条件付きマルチモーダルエージェントを使用して、世代間カメラアクションをオンラインで適応させる診断ベンチマークであるWorldProbeを紹介する。 WorldProbeは、4つの調査対象家族の164のテストケースで構成されている。 10の最先端モデルで、1,600以上のロールアウトを約800分、水平線は180秒以上生成します。 4次元にわたる評価の結果,局所的尺度の劣化と長距離的不整合の出現が明らかとなった。 最近のモデルでは視覚的品質とコンテンツ品質が長く保たれていますが、長距離メモリと進化は依然として弱いままです。 これらの結果は、局所的な安定な生成と、既存のベンチマークでほとんど失われている永続的な世界の一貫性のギャップを露呈する。 コードとベンチマークのリソースはhttps://github.com/Untitled-W/WorldProbe.comで入手できる。

関連論文リスト

• WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory [60.18419531120148]
  我々は、この目的のためにカメラクエリ可能な暗黙的な3Dメモリを学ぶビデオワールドモデルであるWorldCrafterを紹介する。 重要な洞察は、要求された視点をビデオジェネレータの限定トークン予算にマルチビューエビデンスを圧縮する方法を形作ることである。 静的および動的シーンにわたる実験では、長距離一貫性とカメラ制御精度が大幅に向上した。
  論文  参考訳（メタデータ） (2026-09-21T17:57:06Z)
• PlayWorld: Benchmarking World Models with Agent Players over Long-Horizon Objectives [86.3073067035531]
  ビデオワールドモデルは、現在の観察とユーザーアクションに基づいて、将来の状態をシミュレートする。 近年のシステムでは、長いシーケンス上での映像の一貫性とアクション制御性が顕著に示されている。 しかし、これらのインタラクティブモデルを比較することは依然として困難だ。 我々はマルチモーダル・エージェント・プレイヤーを用いて、特定の長距離目標に向けて世界モデルと対話する。
  論文  参考訳（メタデータ） (2026-08-13T17:59:30Z)
• Sekai2: From World Exploration to Interactive World Modeling [22.57939715452233]
  Sekai2(セカイ2)は、セカイの世界探査映像をインタラクティブな世界モデリングへ運ぶマルチソースのリアルワールドビデオデータセットである。 リリースには128,892のクリップが含まれている。 すべてのクリップには、被写体の動き、環境のダイナミクス、静的なシーンの内容、カメラの振る舞いを区別する、リリースされたカメラの軌跡と階層的なアノテーションが含まれており、結果として649,597の時間的接地セグメントが生成される。
  論文  参考訳（メタデータ） (2026-08-10T11:23:01Z)
• Wonder: Video World Model Done Better [70.28870858365214]
  We present Wonder, a general-purpose video world model for real-time, camera-controllable world exploration。 画像や条件付きビデオが与えられたWonderは、ユーザがカメラを動かして対話的にナビゲートできるプレイ可能な世界を構築する。 本研究では、空間的に整列した動きと向きを与える高密度座標場を用いた新しいカメラコンディショニングを提案する。
  論文  参考訳（メタデータ） (2026-07-28T17:45:25Z)
• OmniRoam: World Wandering via Long-Horizon Panoramic Video Generation [42.159343032593014]
  制御可能なパノラマビデオ生成フレームワークであるOmniRoamを提案する。 本フレームワークは,パノラマ表現の長期的・時間的一貫性と,フレーム単位のシーンのリッチなカバレッジを活用している。 実験により、我々のフレームワークは、視覚的品質、制御可能性、長期的なシーンの一貫性の観点から、常に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-31T17:59:33Z)
• Video World Models with Long-term Spatial Memory [110.530715838396]
  本稿では,ビデオワールドモデルの長期的整合性を高める新しい枠組みを提案する。 我々のフレームワークは、長期空間記憶から情報を保存・取得する機構を含んでいる。 評価の結果,関連するベースラインに比べて品質,一貫性,コンテキスト長が向上した。
  論文  参考訳（メタデータ） (2025-06-05T17:42:34Z)

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。