論文の概要: EvoWorld: Towards Out-of-Sight World Evolution in Generative Video Models

• arxiv url: http://arxiv.org/abs/2611.06748v2
• Date: Thu, 05 Nov 2026 04:27:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.408741
• Title: EvoWorld: Towards Out-of-Sight World Evolution in Generative Video Models
• Title（参考訳）: EvoWorld: 生成ビデオモデルにおける視点外世界進化を目指して
• Abstract要約: コヒーレントな世界進化は、その結果を世界の実体に推論し、その結果の状態を描画するモデルを必要とする。 既存の拡散に基づくビデオモデルには、世界状態を維持するための明確なメカニズムが欠けている。 視覚モデルが世界脳として機能する脳-rendererコラボレーションフレームワークであるEvoWorldを紹介した。
• 参考スコア（独自算出の注目度）: 17.038730073638938
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative video models are increasingly used as visual world simulators, yet their primary strength lies in rendering plausible pixels rather than reasoning about how a world should evolve. Coherent world evolution requires more than visual fidelity: when an event occurs, a model must infer its consequences for the entities in the world and then render the resulting state. For example, after a wild beast appears, the model should not only depict the wild beast, but also infer whether a nearby person should flee, take cover, or fight back based on the realized scene. Existing diffusion-based video models lack an explicit mechanism for maintaining world state and reasoning over such event-conditioned consequences, often producing visually plausible but behaviorally static or causally inconsistent outputs. To make this reasoning gap concrete and measurable, we propose a new problem, Out-of-Sight Causal Evolution, which requires a model to render an event, reason about its consequences for the evolving world state, and reveal a causally plausible outcome as the world continues to evolve, even out of sight. As a baseline reference solution, we introduce EvoWorld, a brain-renderer collaboration framework in which a vision-language model serves as the world brain: it observes generated segments, maintains an evolving account of the world, and reasons about plausible state transitions, while a segment-autoregressive video renderer realizes them visually. We further introduce EvoWorld-Data and EvoWorld-Bench for training and evaluating event realization, causal reactions, and revisit consistency. Experiments show that EvoWorld substantially improves event-conditioned causal evolution over recent models while preserving visual quality and consistency, establishing a reference point for reasoning-guided, autonomous world evolution beyond the current field of view.
• Abstract（参考訳）: 生成的ビデオモデルは、ビジュアルワールドシミュレーターとしてますます使われているが、その最大の強みは、世界がどのように進化すべきかを推論するよりも、可視画素をレンダリングすることにある。 コヒーレントな世界進化は、視覚的忠実性以上のものを必要としている: ある事象が発生したとき、モデルは世界の実体に対してその結果を推測し、その結果の状態をレンダリングしなければならない。 例えば、野獣が現れた後、モデルは野獣を描写するだけでなく、近くの人が現実の場面から逃げ出したり、隠したり、反撃したりすべきかどうかを推測するべきである。 既存の拡散型ビデオモデルには、世界状態を維持するための明確なメカニズムが欠如しており、しばしば視覚的に可視であるが、静的または因果的に矛盾する出力を生成する。 この推論ギャップを具体的かつ測定可能なものにするために,新たな問題であるOut-of-Sight Causal Evolutionを提案する。これは,イベントを描画するモデル,進化する世界状態に対する結果の推論,そして世界が視界外でさえも進化し続けるにつれて因果的に妥当な結果を明らかにすることを必要とする。 ベースライン参照ソリューションとして、視覚言語モデルが世界脳として機能する脳-rendererコラボレーションフレームワークであるEvoWorldを紹介します。 さらにEvoWorld-DataとEvoWorld-Benchを紹介し、イベント実現、因果反応、再検討の一貫性をトレーニングし評価する。 実験により、EvoWorldは視覚的品質と一貫性を保ちながら、最近のモデルに対する事象条件付き因果進化を大幅に改善し、現在の視野を超えて推論誘導された自律世界進化の基準点を確立した。

関連論文リスト

• StateCraft: Augmenting Video World Models with Abstract-State Reasoning [83.32752897069362]
  ビデオワールドモデルは、一度に世界全体の部分的な観察しか生成できない。 視覚状態から永続的で高可逆な抽象状態を分離するパラダイムを導入する。 StateCraftは、動的世界を発展させるために、言語モデルとビデオ拡散モデルを組み合わせる新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2026-10-14T08:39:41Z)
• Code World Model: Coding Agent as World Brain [51.31807545747191]
  私たちは、世界進化と視覚的実現を分離するフレームワークであるCode World Modelを紹介します。 コーディングエージェントは世界脳として機能し、出来事とその結果について推論する。 実行可能状態と視覚的生成を結びつけるために,フレームの時間的制約をプロキシビデオにエンコードするプロキシ表現を導入する。
  論文  参考訳（メタデータ） (2026-08-26T15:37:33Z)
• PhiZero: A World Model Built Around Physical Language [50.268271884186845]
  PhiZeroは物理言語を中心に構築された物理世界モデルである。 物理言語シーケンスとして将来の世界進化を推論し、推論された遷移をビデオにレンダリングする。 本研究では,現実的かつインタラクティブな世界モデリング,微粒な動作条件シミュレーション,ゼロショットモーショントランスファーの可能性を示す。
  論文  参考訳（メタデータ） (2026-07-30T17:59:46Z)
• Current World Models Lack a Persistent State Core [18.34296893231955]
  世界モデルはますます、人工知能への決定的な一歩と見なされている。 それらは、観測から切り離された、時間とともに進化し続ける内部的な世界状態を必要とします。 textbfWRBenchは、カメラの動きを可観測性への介入として扱う最初の体系的診断ベンチマークである。
  論文  参考訳（メタデータ） (2026-06-18T17:55:15Z)
• Out of Sight, Out of Mind? Evaluating State Evolution in Video World Models [6.61410412721144]
  ビデオワールドモデルは、2Dフレームの観察を通して「世界」を生成する。 これらの「世界」は、観測に関係なく進化できるのか? 我々は、ビデオワールドモデルが観察から状態の進化を分離できるかどうかを評価するためのベンチマークを設計する。
  論文  参考訳（メタデータ） (2026-03-13T17:51:14Z)
• LiveWorld: Simulating Out-of-Sight Dynamics in Generative Video World Models [32.92934803081681]
  近年の世代別ビデオワールドモデルは、視覚環境の進化をシミュレートすることを目的としており、観察者はカメラ制御によってシーンをインタラクティブに探索することができる。 彼らは、世界は観察者の視野内でしか進化しないと暗黙的に仮定している。 オブジェクトがオブザーバの視点を離れると、その状態はメモリ内で"凍結"され、その後同じ領域を再考しても、その間に発生すべき出来事を反映できないことがしばしばある。 永続的な世界進化をサポートするために,ビデオワールドモデルを拡張する新しいフレームワークであるLiveWorldを提案する。
  論文  参考訳（メタデータ） (2026-03-07T10:31:39Z)
• PAN: A World Model for General, Interactable, and Long-Horizon World Simulation [49.805071498152536]
  PANは、汎用的で対話性があり、長い水平世界モデルである。 歴史と自然言語のアクションを前提とした高品質なビデオシミュレーションにより、将来の世界の状態を予測します。 実験により, PANは行動条件付き世界シミュレーション, 長期予測, シミュレーション推論において高い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-12T07:20:35Z)

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。