CausalWM、16Bの実世界モデルを発表　31K時間の身体性データで学習

何が起きたか

arxiv.orgは2026-09-19、CausalWM: Causal Chain-of-Thought Reasoning for Embodied World Modelを掲載した。CausalWMは16B規模のembodied world modelで、未来の動画予測の前に因果的なChain-of-Thought推論を明示的に行う。学習には31K時間のembodied dataを集め、large-scale video pre-training、causal CoT mid-training、multi-objective RL post-trainingの3段階で訓練した。

詳細

論文は、CausalWMが有用な変数を推論軌道として整理し、物理的変化の背後にある因果依存を段階的に捉える設計だと説明している。supervised CoT variablesは限定的だが、in-context learning能力が創発し、contextual visual feature guidanceとfew-step generationを実現するとしている。 評価では、language-conditioned、action-conditioned、single-view、multi-viewの各ベンチマークでstate-of-the-art性能を示し、TriWorldBench leaderboardではTop-1を獲得したとしている。

Key Facts

本紙の見方

CausalWMの新規性は、embodied world model に因果的なChain-of-Thought推論を前段に置いた点にある。単に未来映像を当てるモデルではなく、物理変化に関わる変数を推論の軌道として整理してから予測するため、表現の内部に埋め込まれがちな物理知識を外部化しようとする設計だと読める。一方で、16Bというモデル規模と31K時間のembodied data、さらに動画事前学習・causal CoT中間学習・multi-objective RL後段学習という三層構成は、既存の大規模学習路線の延長でもある。 本件で重要なのは、推論と予測の順序を入れ替えている点である。従来のworld modelは、視覚観測と制御信号から将来状態を直接予測する構成が中心だったが、CausalWMはその前に因果経路を組み立てる。これにより、少数のsupervised CoT variablesしか使わなくても、in-context learningやfew-step generationが現れたとしている。ここからは、学習データの量だけでなく、どの変数を推論対象として残すかが性能を左右する可能性がうかがえる。 業界構造への含意としては、ロボットやエージェント向けの世界モデル競争が、単純な動画予測の精度から、因果変数の設計と学習段階の切り分けへ移っている点が挙げられる。TriWorldBenchでのTop-1は、language-conditionedやaction-conditionedなど複数条件での汎化を示すが、実運用で重要なのは、未知環境でどの程度少ない試行で予測と制御を安定化できるかである。次に確認すべき論点は、31K時間の内訳、31K時間のデータがどの程度多様な身体性を含むか、少数のsupervised CoT variablesが具体的に何か、そして実機制御や長期タスクでの挙動である。

なぜ重要か

embodied world modelを使うロボットやエージェントでは、将来状態の予測だけでなく、因果関係をどう表現するかが性能に直結するとみられる。CausalWMは、31K時間のembodied dataと3段階学習を組み合わせ、少数の推論変数でもstate-of-the-art性能を示したとしており、学習設計そのものが競争軸になる可能性を示している。

日本への影響

日本のロボット研究や製造現場向けの実世界モデルでは、視覚予測だけでなく、因果変数の設計と身体性データの収集が論点になりうる。特に、実機データの蓄積や多視点・行動条件付きの評価を進める場合、TriWorldBenchのような条件別ベンチマークに近い検証が必要になるとみられる。