DIDO、World Action Models向けに1ステップ化手法を提案　LIBEROで成功率99.0%

何が起きたか

arxiv.orgは2026-09-14、DIDO（Distilling Interaction-Centric Dynamics into One-Step Denoising for World Action Models）を公開した。DIDOは、World Action Models（WAMs）で用いる動画生成モデルの反復的なdenoisingを1ステップに圧縮し、閉ループ制御で問題になる遅延を抑えることを狙う手法である。公開資料では、LIBEROで平均成功率99.0%、LIBERO-Plusで76.6%、RoboTwinで92.0%を達成したとしている。

詳細

公開資料では、DIDOは分布整合型の蒸留と、相互作用中心の表現ガイダンスを組み合わせる。具体的には、グリッパー、操作対象物、その相互作用を教師ありのbounding-box visual reasoning tokensで明示的にモデル化し、さらに対象物の表現を複数のモデル層にわたって事前学習済みDINOv3エンコーダの特徴と整合させるとしている。 また、背景構造はdenoisingの早い段階で形成される一方、グリッパーと操作対象物の視覚情報は初回ステップ後もぼやけが残り、相互作用の動きは後続ステップで立ち上がると述べている。DIDOはその差を踏まえ、1回のforward passで関連実体と将来の動きを保つことを目指す。公開資料は、長期ホライズン課題や実世界のロボット操作タスクへの転移も有効だったとしている。

Key Facts

本紙の見方

DIDOの新しさは、World Action Modelsで使う動画生成モデルを単純に短く切るのではなく、相互作用に関わる情報だけを1ステップに再蒸留した点にある。論文は、背景は早く収束するが、グリッパーと対象物の動きは後段でしか現れにくいと整理しており、ここから見えるのは「速度最適化」と「操作に必要な動きの保持」を両立させる設計である。単なる高速化ではなく、どの視覚要素がいつ収束するかを前提に蒸留の対象を分けている点が主軸だとみられる。 この発想は、ロボット操作の世界モデルが抱える遅延問題を、生成ステップ数の削減だけで解くのではなく、表現学習の段階で相互作用を明示する方向に寄せている。とくに、bounding-box visual reasoning tokensでグリッパーと対象物を指定し、さらにDINOv3の特徴と対象物表現をそろえる構成は、画面全体の再現よりも操作に必要な局所関係を優先する設計である。これは、動画品質の高低ではなく、閉ループ制御で必要な応答時間と対象追跡の安定性をどう両立させるかという論点に直結する。 業界構造の観点では、計算量の削減だけでなく、学習データや評価ベンチマークの意味も変わる可能性がある。LIBERO、LIBERO-Plus、RoboTwinでそれぞれ99.0%、76.6%、92.0%を示したことは、ベンチマークごとに相互作用の難しさが異なることを示唆する。ただし、公開資料だけでは、どのタスクで失敗が残るのか、実機でのレイテンシ改善がどの程度か、どの学習データやアーキテクチャ条件で再現するのかは読めない。次に確認すべきなのは、1ステップ化による精度低下の境界、実機制御時の応答時間、対象物やロボットの種類をまたいだ頑健性である。

なぜ重要か

公開資料が示す通り、DIDOは反復denoisingを1回に圧縮しつつ、LIBERO系ベンチマークで高い成功率を示している。これは、ロボット操作で重要な閉ループ応答と視覚的一貫性の両立をどう設計するかに関係する。実機転移まで含めて有効なら、動画生成モデルを使うWAMの実装条件を見直す材料になる。

日本への影響

日本企業・研究機関にとっては、ロボット操作向け世界モデルの評価で、単なる生成品質ではなく相互作用の保持を測る必要が強まる可能性がある。とくに、実機制御や産業用マニピュレーションを扱う場合、1ステップ化による遅延低減と対象追跡の安定性の両立が論点になる。