arXiv cs.CVは2026年10月16日(現地時間)、Adam Leeらがアクション条件付きワールドモデル「ベックマン・ワールド・モデルズ (Beckmann World Models、BWM)」を導入したと発表した。BWMは、事前学習済みの生成モデルを用いず、ノイズ、視覚履歴、およびアクションから将来のフレームへ直接マッピングを学習する。この手法により、将来の状態を予測するために必要な計算要件が削減され、効率的な予測が可能になるとしている。
ベックマン・ワールド・モデルズ (BWM)は、ベックマン・トランスポート・モデルズ (Beckmann Transport Models)のターミナルマップ保存則をアクション条件付きビデオ予測に適応させる。従来のドリフトワールド (DriftWorld)が必要とした条件付き生成サンプル集団なしに、ノイズデータペアから直接学習する。
推論時に使用される純粋なノイズからの正確な予測を確保するため、エンドポイント調整トレーニング (endpoint-aligned training)が採用されている。この訓練手法は、ソース予測を直接監視し、動きと空間構造を強調することで、生成された履歴からの回復能力を学習させる。これらのコンポーネントはすべて同じマップを訓練し、将来のチャンクごとに1回のネットワーク呼び出しを維持する。
実験では、プッシュT (PushT)およびロボミミック・キャン (Robomimic Can)ベンチマークにおいて、BWMは64フレーム予測のMSE（平均二乗誤差）を、同等のバックボーンを持つ回帰ベースラインと比較してそれぞれ68%および57%削減した。ポリシー評価においては、評価されたモデルの中で最低の平均IoUエラー0.0100を達成し、プッシュTの4フレーム予測あたり24.8ミリ秒で処理される。ロボミミック・キャンでは、動き監視と生成履歴で訓練されたBWMステージが、ローカルなワンステップドリフトワールドに比べて3.3倍高いスループットと78%低いピークメモリを達成している。RT-1 (RT-1)およびブリッジ-V2 (Bridge-V2)への潜在空間拡張において、等更新制御は、生成履歴下の特徴量監視が知覚予測を改善することを示した。これらの発見は、ターミナルマップ学習が効率的な訓練と正確なワンステップ視覚予測を両立させることが可能であることを示唆する。
参考: arXiv cs.CV — 2026年10月21日 13:00 (JST)