Xiaomi Auto World Model 2.0、因果世界モデルを提示

何が起きたか

2026年11月1日掲載の論文「Xiaomi Auto World Model 2.0: Causal World Models for Real-World Driving and Embodied Intelligence」は、実世界の物理的な変化をモデル化・生成する統合型の因果世界モデルを提示した。複数視点と時間の情報を扱い、将来状態の生成を閉ループシミュレーション、閉ループ学習、World Action Model（WAM）に応用するとしている。

詳細

モデルはView-Temporal Attention（VTA）で視点間の空間関係と時間的な動態を扱い、Multi-view Rotary Position Encoding（RoPE）で視点・時間の位置関係を表現する。WorldRec 2.0は複数視点・複数時点の観測から静的・動的な3D Gaussianを単一のforward passで再構成し、長期の生成で形状と外観を保つためのシーン情報として使う。入力条件はVAE潜在表現の連結で共通表現に統合する。 時間層にGated Linear Attention（GLA）を組み込み、複数視点のロールアウトにおける計算量とKV-cacheメモリーを削減する構成だ。データ処理では多様な物理的相互作用とlong-tailed eventを扱い、大規模動画や異種の視覚モダリティと組み合わせる。学習はPre-train、Mid-train、蒸留ベースのPost-trainからなり、論文は将来状態の生成を通じた世界状態予測、ポリシー学習、行動生成を応用先に挙げている。

Key Facts

本紙の見方

論文の中心は、単に映像から次の画面を生成することではなく、複数視点・時間の観測を3Dシーンとして扱い、物体状態や行動に伴う変化を将来状態の生成につなぐ一連の構成にある。WorldRec 2.0による単一forward passの再構成、VTAとRoPEによる視点・時間の処理、GLAによるストリーミング推論は、入力からシーン表現、時間方向の展開へ続く処理系として示されている。これは論文が説明する設計であり、既存方式に対する性能優位や実車での有効性を示す比較結果とは区別する必要がある。 データ面では、物理的相互作用やlong-tailed eventを含むデータを、大規模動画や異種視覚モダリティと組み合わせ、Pre-trainからMid-train、蒸留ベースのPost-trainへつなぐ。したがって、この提案を評価する際はモデル構造だけでなく、どのような相互作用データを収集し、視点構成の違いをまたいで学習させるかが焦点になる。特に、論文が掲げる「行動や物体状態が後続のシーン変化にどう関わるか」の学習が、シミュレーション上の生成と実世界の予測でどの程度一貫するかは、記載された応用先を判断するうえで重要だ。 本紙はhumanoid.guide、Xiaomiのロボットハンドを報道（2026年10月27日）を掲載しているが、同記事について提示された情報は二次報道に限られ、ハンドの性能や導入実績は評価していない。ロボットハンドと今回の世界モデルを同一の開発計画や実装系に結び付ける根拠も、今回の論文要旨にはない。一方、論文「Who Improves the Robot?」をleaderobot.comが紹介（2026年10月23日）は、自己改善を物理世界に拡張する難しさを扱う論説の紹介だった。今回の論文は閉ループ学習や行動生成を応用として挙げるが、それだけでロボット自身による再帰的な自己改善を実現したとはいえない。 業界構造への含意は、運転や身体化された知能に向けたモデルで、視覚データからシーン再構成、将来状態の生成、ポリシー学習・行動生成までを一つの技術構成として提示した点にある。検証では、データ量と構成、予測・生成の評価指標、実世界の運転での閉ループ評価、推論時の遅延やメモリー量、WAMの具体的な実装範囲を確認する必要がある。論文要旨にはこれらの数値や実運用の結果は記されておらず、現段階では応用の提示と実証済み性能を分けて読むべきだ。

なぜ重要か

論文は、複数視点の3D再構成から将来状態の生成を経て、閉ループシミュレーション・学習や行動生成につなぐ用途を示している。運転や身体化された知能で世界状態を予測する技術を評価する際、モデルの生成能力だけでなく、相互作用データと閉ループでの検証が判断材料になる。