SG-WAM、0.9BモデルでLIBERO平均成功率98.5%　幾何情報を取り込む世界モデルを提案

何が起きたか

arXivは2026-08-02、SG-WAM（Self-Guided World Modeling in Geometry-Aware Policy Space）を掲載した。論文は、行動生成と未来状態予測を結合するWorld Action Models（WAMs）に対し、政策由来の表現空間で幾何情報を保ちながら未来ダイナミクスを学習する手法を提案している。モデルは0.9B規模で、大規模なembodied pretrainingなしに、LIBEROで平均成功率98.5%、LIBERO-Plusで73%を達成したとしている。

詳細

SG-WAMは、学習可能なdynamics tokensとSelf-Guided World Predictorを導入し、介在するロボット行動を条件にそれらの未来の潜在状態を予測する。予測ターゲットは、行動エキスパートが使うのと同じpolicy backboneのexponential moving average copyから生成され、表現族内で安定した教師信号を与える設計だとしている。 また、幾何学的な教師信号によってpolicyのimage-token表現を構造化し、空間的に基準づけられた文脈をdynamics tokensに与える。これにより、未来整列のための空間をaction-relevantかつgeometry-awareにし、latent future prediction、geometric grounding、flow-matching action generationをend-to-endで統合最適化するとしている。

Key Facts

本紙の見方

SG-WAMの新しさは、世界モデルを単に未来状態の予測器として扱うのでなく、行動生成に使うpolicy由来の表現空間そのものに予測対象を置いた点にある。従来のWAMsが、観測空間の重い予測か、行動との結びつきが弱い潜在空間に寄りがちだったのに対し、この論文は行動関連性と幾何情報の両立を前提に設計している。したがって焦点は、予測精度の向上そのものよりも、行動と空間認識を同じ表現系で揃えることで、ロボット方策の学習をどこまで安定化できるかにあるとみられる。 本紙の観点では、これは「大きな視覚・言語モデルを後段で付ける」方向ではなく、行動生成、未来予測、幾何的 grounding を一体化する構成である点が重要だ。0.9Bモデルで、しかも大規模なembodied pretrainingなしにLIBERO 98.5%、LIBERO-Plus 73%を示したという結果は、モデルサイズよりも表現設計と教師信号の作り方が性能を左右する可能性を示す。特に、EMA copyを使った自己誘導の予測ターゲットは、同じpolicy backboneの表現族内で学習を閉じる構造であり、外部の重い監視に依存しない点がこの手法の特徴である。 一方で、評価はLIBEROとLIBERO-Plus、およびreal-world evaluationsの記述にとどまる。実機での成功率の条件、タスク種類、失敗モード、推論時の計算量、dynamics tokensの数、幾何教師の具体的な定義は本文の要点としては見えてこない。次に確認すべきなのは、0.9Bという規模でどこまでタスク一般化が保てるか、LIBERO系以外の環境や長期タスクで性能が維持されるか、そして幾何情報の導入がどの程度、学習安定性と実機転移に寄与しているかである。

なぜ重要か

論文が示す0.9BモデルとLIBERO平均成功率98.5%、LIBERO-Plus 73%は、行動生成と未来予測を別々に積むのではなく、同一の表現空間で結合した設計の有効性を示唆する。これは、ロボットの方策学習で重要な表現設計と教師信号の設計が、性能に直結することを示す材料である。