ダイジェスト

2026年10月の世界モデル:構築から測定へ

2026年10月は、世界モデル研究が「構築」から「測定」へと転じた月であった。スクリーニング済みコーパスにおいて際立つ変化は三つある。第一に、世界行動モデル(WAM)——視覚的な未来を予測し、それに基づいて行動するポリシー——が、統制されたアブレーションとレイテンシ予算に直面した。因子設計に基づく研究は、視覚言語行動(VLA)ポリシーに未来予測を追加することが、どこに組み込むかによって有効にも、無効果にも、有害にもなりうることを示し、訓練不要のスケジューラは公開済みの二つのWAMを20 Hzの制御ループ内に収めた。第二に、インタラクティブ動画世界モデルは、長期間の記憶を容量の問題ではなくインターフェースの問題として捉えた。ある論文は過去の観測をカメラポーズをキーとするテスト時訓練の高速重みに書き込み、別の論文は記憶が生成器に渡すタイムスタンプが、どの世界状態が描画されるかを暗黙のうちに決めていることを示した。第三に、評価論文が世界モデルは実際に何を符号化しシミュレートしているのかを問い始め、最初の答えは冷静にさせるものだった。強い再構成と成功率の一致が共存する一方で、潜在表現は明らかになった物理的性質を捉え損ねており、シミュレートされた失敗はタスクの誤った段階で生じている。

対象期間:最初のarXiv版(v1)が2026-10-01から2026-10-31に投稿された論文で、Parallaxライブラリから読んだもの。カバレッジ:キーワード経路と意味経路による724件の候補、AIスクリーニングで579件を保持、6件の特集論文は全文で検証、さらに24件の論文はアブストラクトレベルで言及。

mermaid
mindmap root((World models, Oct 2026)) WAMs meet control budgets Where to wire foresight · 1 Real-time scheduling · 2 Also: 3, 4, 5, 6, 7, 22 Memory for interactive worlds TTT fast-weight memory · 8 Valid-time re-dating · 9 Also: 10, 11, 12, 13, 23, 24, 25 What do world models know Latent taste test · 14 Failure-level evaluation · 15 Also: 16, 17, 18, 26, 27

図1. 本号のテーマと特集論文。数字は参照番号である。

1 世界行動モデルがアブレーションと制御予算に直面する

8月号では、WAMをコストと、予測される未来が何で構成されるべきかに焦点を当てたエンジニアリング課題として記述した。WAMは今月の大部分も占めており、スクリーニング済みタイトルの約6件に1件(579件中94件)が世界行動モデルを名指ししている。そして10月の最も強力なWAM論文は、それらの設計上の選択を統制された条件と実際のレイテンシ予算のもとで検証しており、いずれも先見性による利得が条件付きであることを見出している。

1.1 視覚言語行動モデルにおける世界モデリングでは何が重要か?

Maらは、公開されている「世界モデル拡張」VLAは比較可能な証拠ではないと論じる。なぜなら各論文が、予測対象、予測をポリシーに組み込む方法、バックボーンを同時に変更しているからである。彼らはバックボーン、デモンストレーション、損失(予測された未来特徴を、4つの未来フレームにおいて凍結エンコーダの特徴へコサイン整合させるもの)、スケジュールを固定したうえで、6つのターゲットエンコーダ、4つの統合パラダイム、2つのバックボーンを、LIBERO、LIBERO-Plus、RoboTwin 2.0、DOMINO、および実機のFrankaアームにわたって掃引する。図2は、この研究が基づく4つのパラダイムを示している。予測は、VLM自身の層の内部で整合されるか(a)、追加されたクエリトークンからデコードされるか(b)、並列の「未来エキスパート」ストリームによって生成されるか(c)、あるいは出力が行動エキスパートに供給される別個の世界予測器によって生成される(d)。

図2. で比較された4つの統合パラダイム。共有されたVLMプラス行動エキスパートのベースラインと対比している(の図2、原論文から再掲)。

分離型設計(c, d)こそが成果を生む。Qwen3-VL-2BバックボーンとDINOv3ターゲットを用いた場合、LIBERO-Plusの分布外成功率はfuture-expertストリームで71.8%から76.2%へ上昇する。RoboTwinの長期的タスク(Clean2Clean)では、各パラダイムにわたって+16.5から+26.3ポイントの向上に達するのに対し、短期的タスクでは+5.5から+8.6ポイントである。事前学習済み基盤VLA(π0.5)では、バックボーン内部でのアラインメントは逆効果となる(RoboTwin Clean2Clean 69.1% → 63.6%、3シードで再現)。一方、分離型設計は2〜3ポイントを追加する。対照アブレーションにより利得が分解される。凍結エンコーダの現フレーム特徴のみを入力すると71.8%から72.5%へ移動し、予測損失をオフにした追加容量は73.6%に達し、未来ターゲットがそれを76.2%へと押し上げる。したがって、分離型の優位性のおよそ半分は真正の予測的教師信号によるものである。ここでは世界モデルは一切ロールアウトされず、計画にも用いられない。それは行動成功率によってのみ評価される。

1.2 RealtimeWAM:世界行動モデルはどれだけ速く実行できるか?

Liuらは、WAMのコストのもう一方の側面、すなわち数百ミリ秒に及ぶリクエストごとのレイテンシに取り組む。その間、移動するシーンは変化してしまう。彼らの訓練不要の手法(図3)は、単一リクエスト内で観測処理を動画および行動予測とオーバーラップさせ、選択された観測トークンのみを更新しつつ、それ以外の箇所ではキャッシュされたフィードフォワード出力を再利用し、粗い行動推定の予測された動きに基づいて2回と4回の完全なデノイザ評価の間で選択する。

図3. RealtimeWAMの3つのメカニズム:(a) 動画および行動予測とオーバーラップする観測処理、(b) キャッシュ出力を用いた選択的トークン更新、(c) 動きに基づくゲート付きリファインメントステップ(の図4、原論文より再掲)。

単一の48 GiB RTX 4090上で、4つのシミュレーション設定にわたる平均リクエストレイテンシは、FastWAMで214 msから24 msへ、OpenWAMで673 msから63 msへ低下し、平均成功率の変化は−0.02および−0.53ポイントである。すでにコンパイルとCUDAグラフを使用しているネイティブベースラインに対して測定すると、高速化は見出しの8.9倍および10.7倍ではなく4.1倍および7.2倍であり、累積内訳は依存関係を考慮した並列実行が最大の単一割合を占めることを示している。実機のFrankaアームでは、より高速なループにより、コンベアを含む5つのタスクにわたって平均成功率が35.6%から52.8%(FastWAM)、33.6%から70.8%(OpenWAM)へ上昇する。これは閉ループのレイテンシ効果であり、より良い予測によるものではない。なぜなら、論文はコンベアの成功率がおよそ90 msを超えると崩壊すると報告しているからである。

世界モデリングにとって何が重要か RealtimeWAM
問い未来予測はVLAのどこに入るべきか?WAMはリアルタイム制御ループ内で動作できるか?
アプローチ要因スイープ:6ターゲット × 4パラダイム × 2バックボーン訓練不要のスケジューリング、トークン再利用、動きに基づくゲート付きステップ
主要結果LIBERO-Plus OOD 71.8% → 76.2%(future expert);π0.5 + バックボーン内アラインメントはRoboTwinで−5.5ポイント214 → 24 ms(FastWAM)、673 → 63 ms(OpenWAM)、平均成功率は0.53ポイント以内
実機ロボットFranka、4タスク:45.0% → 73.8%(future expert)Franka、5タスク:低レイテンシにより+17.2 / +37.2ポイント
根拠シミュレーション + 小規模実機研究;主要な知見には3シード2つのバックボーン;成功率に対するシードや区間なし

表1. 取り上げた2つのWAM論文の比較(全文検証済み)。

要点

  • 先見性は設計上の選択であり、無料の追加機能ではない。事前学習済みバックボーンに組み込むと事前分布を消し去る可能性があり、分離されたストリームに保つと主に長期的・動的なタスクで効果を発揮する 。
  • 実運用されるWAMにおいて、レイテンシは結果の一部である。における実ロボットでの利得の多くは再計画の高速化から生じており、高速化の主張は最適化されたベースラインと比較して読むべきである。
  • 今月の残りの論文も同じ方向を示している。は生成された未来が平均成功率をほとんど動かさない一方で、精度が要求されるタスクを急激に悪化させることを見出し、は想像された未来に対するテスト時選択が現実的にどれだけの利益をもたらし得るかを測定し、は予測的教師あり学習が2つのWAMファミリーにおいてクリーンで既知のタスクの成功率を24ポイントおよび73ポイント向上させるものの、未見のタスクやランダム化された環境には確実には引き継がれないと報告している。

2 記憶はインタラクティブな動画世界にとってインターフェース問題となる

インタラクティブな動画世界モデルはシーンをチャンクごとに生成し、カメラやエージェントが戻ってきたときに同じ場所を再び示さなければならない。10月の注目論文は、失敗をモデルのサイズではなく、過去がどのように保存され、生成器に提示されるかに位置づけている。

2.1 World-T3: リアルタイム動画世界モデルのための永続的記憶としてのテスト時訓練

Wu ら は過去の観測を専用の高速重みパラメータに保存し、再帰的最小二乗則でオンライン更新し、カメラポーズによって読み出すことで、ロールアウトの長さに関係なく保存量とステップあたりのコストを一定に保つ。図4は3つの要素を示している。最近のクリーンなブロックを持つ有界なコンテキストウィンドウ、記憶の書き込みとポーズをキーとした検索、そして各拡散トランスフォーマブロック内のゲート付き記憶残差である。その後、自己回帰モデルは4ステップ生成器に蒸留される。

図4. テスト時訓練記憶を備えたWorld-T3の自己回帰モデル:(a) コンテキストウィンドウとカメラの再訪、(b) 記憶の書き込みとポーズをキーとした読み出し、(c) DiTブロックへの統合(の図3、原論文から転載、CC BY 4.0)。

120クリップの往復ベンチマーク(1280×704で160フレーム、フレーム80でカメラが反転、すべての再訪ギャップが21潜在フレームのコンテキストより長い)において、4ステップモデルは再訪PSNRを13.52 dBから18.31 dBへ引き上げ、絶対回転誤差を3.34°から1.08°へ削減する(両指標で最強のベースラインであるSANA-WMに対して)。一方で単一のB200 GPU上で20.6 FPSで動作する。再訪類似度はカメラのスイープが大きくなっても平坦に保たれる(スイープ三分位で0.958 / 0.964 / 0.960)が、2つのベースラインは0.08〜0.10失う。著者らは、ポーズをキーとした検索が訓練動画のラベル付けに用いた既製のポーズ推定器の誤差を継承すること、また訓練ホライズンを超えたテクスチャの劣化が残ることを注記している。

2.2 古いことは偽ではない:インタラクティブな動画世界モデルのための有効時間記憶

Wang ら は、記憶ベンチマークがほとんど切り分けないケースを研究している。エージェントが領域を変更し、その後元に戻すため、古いビューが正しいものになる。フレーム、重み、ノイズを固定し、タイムスタンプのみを入れ替えることで、彼らは凍結されたFAR生成器が最新のタイムスタンプが付されたビューを描くことを示す。2つのタイムスタンプを逆にすると、現在状態の割合は0.51から0.07へ移る。そしてこの効果はHY-WorldPlayの回転位置にも転移する。彼らの修正手法であるReDate(図5)は、すべてのフレームを保持し、検索されたトークンをエージェントの行動ログから、それらが取得された時ではなく、その内容が成立する時(有効時間)に基づいて再日付付けする。

図5. ReDateはアクションログを読み、領域が復元されたフレームを復元アクションの直後へ移動し、変更された領域のトークンを最古の取得フレームより前へ移動する(の図3、原論文から再掲)。

AI2-THORにおける352の巻き戻しステップで、学習なしに精度が0.36から0.62へ上昇する(対応のある改善 +0.264、95%区間 [0.199, 0.334])。これは、復元された状態の唯一のビューを破棄する削除ベースのものを含む、再実装された10個のメモリ規則を上回る。改善は、目標ポーズがこれまでに現在を目撃したことのあるステップに限られる(0.94 対 0.54)。他のポーズのみが目撃した場合、すべてのメモリは0.10以下にとどまる。証拠は31イベントの実動画プローブを除けばシミュレーションのみであり、新規状態の精度は変わらない。

World-T3 ReDate
メモリ形式オンラインで更新される高速重み、カメラポーズにより読み出しフレームストア。取得したトークンをアクションログから再日付付け
学習学習済みモデル、その後4ステップ蒸留なし(凍結生成器)
ベンチマーク往復クリップ120本、1280×704巻き戻しステップ352、AI2-THOR(FARベンチマーク)
主要結果再訪PSNR 13.52 → 18.31 dB 対 SANA-WM、B200で20.6 FPS巻き戻しステップ精度 0.36 → 0.62 対 FAR
記載された限界ポーズ推定ノイズ、学習ホライズンを超えるドリフトエージェント起因の変化のみ、未見ポーズのステップは ≤ 0.10 にとどまる

表2. インタラクティブ動画ワールドモデル向けの2つのメモリ設計(全文検証済み)。

要点

  • 固定サイズのメモリがリアルタイムレートと両立可能になった: World-T3は20.6 FPSでカメラスイープ全体にわたり再訪忠実度を一定に保つ 。
  • メモリが何を保存するかと同じくらい、メモリが生成器に何を伝えるかが重要である: タイムスタンプの意味論だけでもレンダリングされる状態を反転させうる 。
  • 長いロールアウトに対する学習側の修正は並行して続いた — 教師なし長ホライズン微調整 、混合アテンションによる因果的事前学習 、潜在3Dガウスメモリ 、分解された静的/動的メモリ 。
  • 第2の答えは状態をピクセルから分離する: エンジンまたはハーネスが世界状態とその規則を所有し、動画モデルはそれをレンダリングするだけである 。またWorldMemBenchはワールドメモリに独自の260ケースのベンチマークを与える 。

3 評価はワールドモデルが実際に何を知っているかを問う

8月号は、この分野が自己監査を始めたことを指摘した。10月には監査がより鋭くなった: 生成された動画が正しく見えるか、あるいはポリシーのランキングが相関するかを問う代わりに、潜在表現が物理的に関連する情報を保持しているか、シミュレーション上の失敗が実世界の失敗と一致するかを問うのである。

3.1 Roz: ワールドモデル潜在表現のためのテイストテスト

Geら は、ワールドモデルの潜在表現が保持すべきもの — 価値に関連する物体の状態に加え、質量や反発係数のように相互作用を通じてのみ明らかになる性質 — を定義し、それをラベル不要の「三角形テスト」に変えた: 同じ情報を持つが履歴の異なる2つのクリップは、意味のある違いを持つクリップよりも互いに潜在空間上で近くにあるべきである。図6は、それがテストするメモリ特性を示す: 棚の上のボールを見ることは、両方のシナリオが同じ閉じたキャビネットで終わるにもかかわらず、表現を変えるはずである。

図6. Rozの対照タスクの背景にあるメモリ特性(の図1、原論文から再掲)。

V-JEPA 2、Qwen、Cosmos、FastWAM、DreamDojo を通じて、端点タスクは飽和する(経路独立性 0.97–1.00)一方で、オクルージョンタスクは Qwen の 0.07 を除くすべてのモデルで 0.00 となり、これはチャンスレベル約 0.33 に対して低く、復元スイープはほぼすべてゼロである。9 つの DreamDojo チェックポイントを通じて、再構成誤差は半分以上減少するものの、対照スコアは 30/42 のままである——これは DreamDojo 自身の凍結ビデオ VAE(31/42)と同等である。テストは行動条件付き予測ではなく観測クリップの特徴を調べており、単一のチェックポイントとタスクあたりの少数のカウントを用いており、スコアが訓練に追随するという主張は著者らが未公開のモデルに依拠している。

3.2 WorldFailBench:ワールドモデルはポリシーの失敗を理解できるか?

Zhang ら は、ポリシー評価に用いられるワールドモデルが、ポリシーがどれほど頻繁に成功するかだけでなく、ポリシーがどのように失敗するかを再現できるかどうかを問う。彼らは同じポリシーを同じ開始状態から二回実行する——一度は参照シミュレータまたは実機ロボットで、もう一度はワールドモデル内で——そして小さなシーン変化の下で失敗の種類、失敗の段階、成功から失敗への境界を比較し(図 7)、参照対参照の再現性ベースラインに対して較正する。

図 7. WorldFailBench のペアロールアウト設計とその 3 つの失敗レベルタスク( の図 2、原論文から転載)。

RoboTwin 上の 7 つのワールドモデルを通じて、失敗種類の頻度誤差は 0.159 から 0.335 の範囲であり、再現性ベースラインの 0.061 と対比される。成功率相関が最良のモデル(DW05、0.597)は段階レベルの相関がわずか 0.052 であり、すべてのモデルの段階相関は −0.123 から 0.095 の間に収まり、ベースラインの 0.903 と対比される。420 回の境界比較のうち 400 回(95.2%)で、モデルはシーンが変化したときに成功率がどれだけ低下するかを過小評価している。境界テストはシミュレーションにのみ存在し、相関は 3 から 5 のポリシーにわたって区間なしで計算されている。

Roz WorldFailBench
テスト対象潜在表現が履歴と明らかになった物理的性質を符号化するかどうかシミュレートされたロールアウトが失敗の種類、段階、境界を再現するかどうか
手法エンコーダ潜在表現に対するラベルなし三角形テスト、L1 とコサインペアの閉ループロールアウト、参照対ワールドモデル
モデルV-JEPA 2、Qwen、Cosmos、FastWAM、DreamDojoCosmos-Predict-2.5、DreamDojo、GE-Sim 2.0 を含む 7 つのワールドモデル
主要結果オクルージョンは Qwen(0.07)を除くすべてで 0.00;DreamDojo は MSE が半減しても 30/42 で横ばい最良の段階相関 0.095 対ベースライン 0.903;境界の 95.2% が過小評価
主な注意点予測ではなく特徴を調べる;単一チェックポイントシミュレーションのみの境界;相関あたり 3–5 ポリシー

表 3. ワールドモデルの 2 つの診断的評価(全文検証済み)。

要点

  • 画像レベルの頑健性と物理的理解は分離可能である:経路独立性を完璧にこなすモデルでも、オクルージョンと反発では失敗する 。
  • 結果の一致は失敗の一致ではない。世界モデルはポリシーをもっともらしく順位付けできても、その失敗を誤った段階に置くことがある 。
  • 10月の関連研究も別の角度から同じギャップを指摘している:動画モデルに対する測定ベースの物理テスト 、バイアスのある世界モデルが依然としてポリシーを正しく順位付けできる条件に関する理論 、生成された世界の3D一貫性のベンチマーク 。
  • さらに2本の論文が同じ診断を鋭くする:単一フレームのJEPA潜在表現は速度情報をまったく持たない 。これは における弱い速度スコアと一致する。また、公開されているロボット世界モデルは、公式データでファインチューニングした後でも、検証済みの484件の失敗反事実のうち80%について成功のような結果を予測し、対象を絞った失敗データによってのみ30〜43%まで低下する 。

その他の注目点

世界行動モデル

  • Utility-WAMは、生成された未来に条件付けすると平均成功率は1ポイント未満しか変化しないが、精密作業タスクでは54ポイントを失うことを見出し、残差アダプターと、RoboTwinのクエリの75.5%で動画生成をスキップするゲートでこれを修復する 。
  • ノイズ除去された反事実プロトコルは、標準的なbest-of-N推定が選択可能な余裕を過大評価することを示す;失敗ゲート付きセレクターはクローズドループ成功率を76.9%から81.6%に高める 。
  • WorldBridgeは、新しいタスクの行動なし動画が分布外RoboTwin成功率を25.07%から55.90%に引き上げ、タスクごとに1件のラベル付きデモンストレーションで70.70%に達すると報告する 。
  • CtrlWAMは、訓練中に摂動された行動とそのシミュレートされた視覚的結果を対にするこ​​とで、生成動画と行動の間の一致を強める 。
  • Video Prediction Policy 2は、操作映像で動画モデルの事前学習を継続し、ゼロショットALOHAタスクで最強ベースラインを18.5ポイント上回ると報告する 。

記憶と長期的生成

  • Fréchet Forcingは、分布レベルのターゲットを用いて短いクリップでストリーミング世界モデルをファインチューニングし、教師なしで4,000フレームを超えてもロールアウトを安定に保つ 。
  • Mix Forcingは、14Bモデルの因果的事前学習中にteacher-forcingと双方向アテンションを組み合わせ、品質劣化なしで1時間に及ぶロールアウトを報告する 。
  • L3G-Worldは、シーン記憶を潜在3Dガウシアンとして保存し、生成器の潜在空間に直接レンダリングすることで9 FPSに達する 。
  • GROMEは、静的シーン幾何と動的エンティティ状態を分離し、訓練なしで両方を凍結動画世界モデルに注入する 。

評価と理論

  • World Models' Last Exam in Physicsは、40の制御されたタスクで物理的一貫性を測定する;8つの動画モデルの最良スコアは100点中57.76である 。
  • 相対誤差分析は、学習された世界モデルがRLポリシーを良好に順位付けできる(Kendall τ 0.96および0.80)一方で、実際の監査は依然として情報量が弱いことを示す 。
  • Orbiaは、720の探索・再訪インスタンスにわたり27のインタラクティブ世界モデルの3D一貫性を評価する 。

言語とエージェントの世界モデル

  • GUI行動選択に対する統制された介入により、評価器を直接学習させると、予測された次画面は検出可能なランキング信号を一切付加しないことが判明した。直接的な行動ランカーはAndroidWorldの成功率を5.8〜16.4ポイント向上させる。
  • LGWMは次画面の表現を予測することでGUI遷移を検証し、185万件の実遷移で学習するため、誤った行動によって到達した正当な画面を検出できる。
  • Software World Modelsは、コード変更がどの下流コンポーネントを破壊するかを予測する。これは候補変更を実行することから学習される。

潜在計画

  • LaLa-Worldは行動を自然言語で記述し、単一のJEPA形式の潜在世界モデルを複数ドメインにわたって学習させる。これにより、ビデオモデルベースのプランナーに匹敵する性能を6分の1の学習コストで達成する。
  • ID-WMは計画を高レベルの到達可能性モデルと低レベルの逆ダイナミクス世界モデルに分割し、長期的タスクにおいて単一レベルのMPCに対して135%の改善を報告している。
  • world2vecは報酬なしで機械論的な潜在ダイナミクスを学習し、DreamerV3より1桁少ないパラメータで71個のベンチマークアトラクタを特定する。

前号との比較

2026年8月号はWAMのみを扱い、想像された未来のコスト、未来が何で構成されるか、スケールとインターフェース、初期の自己監査を中心に構成されていた。本号は世界モデル全般に対象を広げているため、その計数は比較できない。三つの流れが継続している。コストの流れは、モデル側の修正(非同期ルックアヘッド、キャッシュされた未来キー)から、実ハードウェア上で測定されたデプロイメントエンジニアリングへ、そして未来ブランチが計算する価値がない場合があるという証拠へと移行した。未来が何で構成されるべきかという問いは、今や一つの設定に対して統制された答えを持つ——分離されたストリームにおける2Dセマンティックターゲットが堅牢な選択であり、ピクセル、3D、ビデオのターゲットはパラダイムに依存する。監査の流れは8月にはすでに完全なセクションであり、そこでは四つの監査がレンダリング品質と行動的忠実度が緩くしか結合していないことを見出した。10月の監査はさらに一層深く踏み込み——モデルが行動に従うかどうかから、その潜在表現が物理的に関連する状態を保持しているかどうか、およびそのシミュレートされた失敗が現実の失敗と一致するかどうかへと進み——同じギャップを見出している。8月の未解決の問いのうち二つも部分的な答えを得た。は最適化されたベースラインに対してレイテンシを測定し、具体的な応答性の崖を特定し、は未来チャネルが実際に利得を運んでいるかどうかを統制されたアブレーションで検証している。

範囲と方法

検索とスクリーニング

コーパスは、Parallaxライブラリにおいて最初のarXiv版が2026-10-01から2026-10-31の日付を持つ論文である。2つの経路を組み合わせた。タイトルとアブストラクトに対するキーワード経路(「world model」「world models」「world-model」「world action model」「world simulator」「world simulation model」;545本の論文)と、シミュレーション、計画、政策学習、ロボティクス、運転、ゲーム、インタラクティブ動画に用いられる学習済み環境力学モデルの定義として表現した意味経路(上位600本;関連論文が依然として600位付近に現れたため、この経路は打ち切られている)である。これらの和集合である724本の候補は、1つの基準——環境やシーンがどのように進化するかを予測する学習済みモデルが貢献の中心であること——に照らしてAIによってスクリーニングされ、単なる言及、行動や力学の枠組みを伴わない単純な動画生成、学習済み予測モデルを持たない方策は除外され、579本がスクリーニング済み集合「World models · Oct 2026 · screened」として保持された。これらは確認された経路におけるスクリーニング済み候補であり、分野の規模ではない。含まれた579本すべてのタイトルを読んでテーマを選定し、最高スコアの除外20本についてはアブストラクトと照合して確認した。境界的な論文のうち、属すると考えられるいくつか(例えば、動画レンダラーと組み合わせたゲームエンジンや、ワールドモデル向けのリアルタイム音響)は除外され、緩やかに関連するいくつか(例えば小売予測)は保持された。いずれもテーマを変えるものではない。言語エージェントのワールドモデル(GUI、ウェブ、ソフトウェア、コードの世界)は、本号では「その他の注目点」の下でのみ扱う、この集合のかなりの規模のクラスタを形成している。

証拠の深さとギャップ

特集する6本の論文は全文を読んだ。5本は、ここで引用する各数値の根拠となる表や節を引用する論文ごとの検証ノートを通じて、1本は直接節ごとに読んだ。再現された図はすべて、キャプションを付ける前に確認した。「その他の注目点」の下の論文および要点の関連研究行の論文は、著者が述べるところに基づきアブストラクトのレベルで記述している。テーマは、最も多くの論文が扱った問題に基づいてスクリーニング済み集合から選定した。集合内の医療、スケジューリング、時系列の「ワールドモデル」は特集していない。特集した結果のほとんどはシミュレーションベースであり、小規模な実ロボット研究を伴い、いくつかはシード分散を報告していない——各結果の横に注記している。

参考文献

[1] Qisen Ma, Yixiang Chen, Yuan Xu, et al. What Matters for World Modeling in Vision-Language-Action Models?. 2026. arXiv preprint. arXiv:2610.19825

[2] Huanan Liu, Ye Li, Kangye Ji, et al. RealtimeWAM: How Fast Can I Run My World Action Model?. 2026. arXiv preprint. arXiv:2610.10079

[3] Feihong Zhang, Xi Lin, Yulong Shi, et al. Utility-WAM: Correcting Future-Induced Action Changes. 2026. arXiv preprint. arXiv:2610.39367

[4] Haojia Gao, Yue Cao, Yumin Liu, et al. How Much Can Best-of-N Help a World Action Model? Measuring Selectable Headroom and Realizing It in Closed Loop. 2026. arXiv preprint. arXiv:2610.37196

[5] Jun Cen, Yubo Guo, Hao Li, et al. WorldBridge: Bridging Video and Action for Task Generalization in World Action Models. 2026. arXiv preprint. arXiv:2610.40748

[6] Chensheng Peng, Wenhao Ding, Ran Tian, et al. CtrlWAM: Controllable World Action Models with Aligned Intent and Foresight. 2026. arXiv preprint. arXiv:2610.00859

[7] Yanjiang Guo, Haodong Yan, Zhide Zhong, et al. Video Prediction Policy 2: Predict Better, Act Better. 2026. arXiv preprint. arXiv:2610.10270

[8] Junyi Wu, Zekun Li, Chenhongyi Yang, et al. World-T3: Test-Time Training as Persistent Memory for Real-Time Video World Models. 2026. arXiv preprint. arXiv:2610.17434

[9] Ziming Wang, Chuyue Gong, Hongliang Cao, et al. Old Is Not False: Valid-Time Memory for Interactive Video World Models. 2026. arXiv preprint. arXiv:2611.00758

[10] Yian Zhao, Yu Yan, Hongcan Guo, et al. Frechet Forcing: Training Long-Horizon Streaming World Models from Short Clips. 2026. arXiv preprint. arXiv:2610.25666

[11] Zelin Gao, Hao Ouyang, Jiapeng Zhu, et al. Mix Forcing: Causal Pre-Training via Mixture Attention for Interactive World Models. 2026. arXiv preprint. arXiv:2610.33589

[12] Jinhyeok Choi, JoungBin Lee, Jongmin Lee, et al. L3G-World: Real-Time Infinite World Generation with Latent 3D Gaussian Memory. 2026. arXiv preprint. arXiv:2610.40614

[13] Fang Yu, Xiaoxue Wu, Haiyu Zhang, et al. GROME: GROunding Factorized MEmory into Video World Models. 2026. arXiv preprint. arXiv:2610.39812

[14] Kenneth Ge, Dhruv Sheth, Kunvar Thaman. Roz: A Taste Test for World Model Latents. 2026. arXiv preprint. arXiv:2611.00612

[15] Zheng Zhang, Xiaoyang Tang, Shuaiqi Cheng, et al. WorldFailBench: Do World Models Understand Policy Failures?. 2026. arXiv preprint. arXiv:2610.33565

[16] Mingju Gao, Qingle Liu, Yuzhao Peng, et al. World Models' Last Exam in Physics. 2026. arXiv preprint. arXiv:2610.08791

[17] Ahanaf Hasan Ariq, Hasaan Ahmad. World Models Need Not Be Right to Rank Policies Right: Relative Bounds and Audit Limits. 2026. arXiv preprint. arXiv:2611.01139

[18] Dongyue Lu, Guian Fang, Hur Lim, et al. Orbia: Do Generated Videos Form a Consistent 3D World?. 2026. arXiv preprint. arXiv:2610.20693

[19] Junha Song, Geonmo Gu, Jeongeun Park, et al. LaLa-World: Scaling Latent World Models with Natural Language Actions. 2026. arXiv preprint. arXiv:2610.27851

[20] Gaoyue Zhou, Yvonne Wu, Zichen Jeff Cui, et al. Hierarchical World Models with Implicit Dynamics. 2026. arXiv preprint. arXiv:2610.42146

[21] Tobias Schmidt, Rodrigo Gonzalez Laiz, Krisztián Szuppinger, et al. world2vec: Mechanistic world models through latent dynamics learning. 2026. arXiv preprint. arXiv:2610.40637

[22] Hanwen Cui, Yuanyuan Li, Qing Guo, et al. What Does World Modeling Actually Improve in Robot Action Learning?. 2026. arXiv preprint. arXiv:2610.34593

[23] Chan Yan Ki, Yanran Zhang, Wenzhao Zheng, et al. State World Models: Execute the Rules, Generate the Pixels. 2026. arXiv preprint. arXiv:2610.26811

[24] Zike Wu, Ahmed Hatem, Chintan Trivedi, et al. BoxWorld: Let World Engines Control and Video Generators Render. 2026. arXiv preprint. arXiv:2610.36371

[25] Nan Zhou, Jianxiong Gao, Qiuyu Wang, et al. WorldMemBench: A Comprehensive Benchmark for Memory of Video World Models. 2026. arXiv preprint. arXiv:2610.19063

[26] Tinghe Zhang, Chunyu Liu, Yu Leon Liu, et al. Frozen in a Frame: The Velocity Blind Spot in JEPA World Models. 2026. arXiv preprint. arXiv:2610.04585

[27] Jiuyi Xu, Xiao Hu, Meida Chen, et al. World Models Dream of Success: Diagnosing and Repairing Failure Insensitivity in Robot World Models. 2026. arXiv preprint. arXiv:2610.09134

[28] Sizhe Tang, Hanhan Zhou, Jeffrey Svajlenko, et al. Beyond Next-Screen Prediction: The Decision Value of GUI World Models. 2026. arXiv preprint. arXiv:2610.24372

[29] Jiaming Zhang, Xuan Wang, Fuyao Zhang, et al. Right Screen, Wrong Transition: World Models as Verifiers for GUI Agents. 2026. arXiv preprint. arXiv:2610.11942

[30] Tongli Su, Yuntong Hu, Liang Zhao, et al. Software World Models: From Consequence Prediction to Decision Value. 2026. arXiv preprint. arXiv:2610.04940

このレポートを引用

bibtex
@misc{parallax-2026-world-models-october-2026, title = {{World Models in October 2026: From Building to Measuring}}, author = {{Parallax}}, year = {2026}, month = nov, howpublished = {\url{https://parallax.ink/research/en/world-models-october-2026}}, url = {https://parallax.ink/research/en/world-models-october-2026}, note = {Parallax Research, Digest} }

続きを読む