Qwen-RobotWorld、言語条件付きビデオ世界モデルを発表 ロボット操作から自動運転まで統合

何が起きたか

2026年6月15日、arxiv.orgに掲載されたテクニカルレポートで、Qwen-RobotWorldが発表された。これは、現在の観測から物理的に妥当な未来のビジュアル軌跡を予測する言語条件付きビデオ世界モデルであり、ロボット操作、自動運転、屋内ナビゲーション、人間からロボットへの転移を統一的に扱う。

詳細

Qwen-RobotWorldは、自然言語を統一アクションインターフェースとして使用し、現在の観測から物理的に接地された未来のビジュアル軌跡を予測する。設計は3つの部分からなる。a) Double-Stream MMDiT with MLLM Action Encoding: 60層のダブルストリーム拡散トランスフォーマーが、凍結されたQwen2.5-VLのセマンティクスとビデオVAEの潜在変数を層ごとのジョイントアテンションで結合する。b) Embodied World Knowledge (EWK): 8.6Mのビデオテキストコーパス（2億フレーム以上）で、20以上のエンボディメントと500以上のアクションカテゴリにわたるアクション言語マッピングを含む。c) General+Expert Progressive Curriculum: 2段階のトレーニング戦略で、最初に一般的なビジュアル事前知識を学習し、次に共有言語インターフェースの下でエンボディメント特化を注入する。

Key Facts

本紙の見方

今回の発表は、エンボディッドAIにおける世界モデルの統合的なアプローチを示すものである。従来、ロボット操作、自動運転、ナビゲーションなどはそれぞれ別々のモデルで扱われることが多かったが、Qwen-RobotWorldは自然言語を統一インターフェースとして、これらを単一のフレームワークで扱う点が新しい。これは、言語がアクションの抽象表現として機能し、異なるエンボディメント間での知識転移を可能にするという点で、既定路線の延長線上にあるが、そのスケール（8.6Mビデオテキストペア、20以上のエンボディメント）と、ベンチマークでの結果は注目に値する。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及は避けるが、Qwenシリーズの進化として、言語モデルから世界モデルへの拡張は自然な流れとみられる。特に、Qwen2.5-VLを凍結して利用している点は、既存の言語視覚モデルを活用した効率的な設計であり、今後のエンボディッドAIの開発において、大規模言語モデルを基盤とした世界モデルが主流になる可能性を示唆している。 業界構造への含意としては、このような統合世界モデルが普及すれば、ロボット開発におけるシミュレーション環境の重要性が高まり、実機でのテスト前に仮想環境でポリシーを評価・訓練する手法が加速する可能性がある。また、データの重要性も増し、多様なエンボディメントにわたるアクション言語データの収集が競争力の鍵となる。さらに、オープンソースでの公開が示すように、この分野の研究がコミュニティ主導で進む可能性もあり、競合他社は独自のデータとモデルで差別化を図る必要がある。 未確定の論点としては、実際のロボット制御への応用における実証がまだ限定的であること、ベンチマークでの性能が実世界の複雑さをどの程度反映しているか、また、トレーニングデータのバイアスや安全性の問題が挙げられる。今後、量産ロボットへの適用や、実環境での評価結果が焦点になる。

なぜ重要か

Qwen-RobotWorldは、エンボディッドAIの世界モデルを統合する新たな方向性を示し、言語を介した知識転移の可能性を提示している。これにより、ロボット開発の効率化や、異なる分野間での技術共有が進む可能性があり、業界全体の研究開発の進め方に影響を与えるとみられる。