日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
世界モデルarXiv:2610.27851

言語条件付き潜在世界モデルによる多様なデータからの想像計画

LaLa-World: Scaling Latent World Models with Natural Language Actions

シェア:XThreadsFacebookLINEはてブBluesky

数値行動や視覚変化を言語で記述し、言語モデル上に構築した潜在世界モデルで異種データを統合学習。計画性能と頑健性を高め、下流ポリシーの初期化にも有効であることを示した。

詳しい要約

1. どんなもの?

- 本論文は、JEPA 系の latent world model (LWM) を、video generation model の language-conditioned インターフェースで多様なドメイン・データ源にまたがって学習させる手法を提示する。 - 提案モデル LaLa-World は、simulation と robot trajectories に加え、より広範な image・video データから学習する Language-conditioned Latent World model。 - 目的は imagination による planning と downstream policy fine-tuning の基盤として有効・効率的であることを示すこと。 - 派生モデル LaLa-Policy は pretrained LaLa-World を初期化に用い、action と将来の visual representation を同時予測する。

2. 先行研究と比べてどこがすごい?

- 既存の LWM はドメインやタスクごとに個別に学習されており、単一モデルで横断的に扱う比較対象となっている。 - LaLa-World は単一の future predictor を異種データセットで joint training し、既存 LWM より高い平均 MPC planning performance を達成。 - image・video データの追加が平均 planning performance と action phrasing への robustness をさらに改善。 - RAEv2-based video generation model baseline との matched comparison で、同等 planning performance を 6× 少ない training cost、13.9× 高速な planning で実現。 - LaLa-Policy は LIBERO・RoboCasa で Cosmos Policy と競合しつつ、最大 5.5× 高速な inference。

3. 技術・手法の肝は?

- 数値 action と視覚的変化の両方を language で記述し、異種データセットをまたいだ単一 future predictor の joint training を可能にする。 - future predictor を language model 上に構築し、language condition を解釈しながら将来の latent state を予測する。 - JEPA-style latent world model に video generation model の language-conditioned インターフェースを採用。 - LaLa-Policy では pretrained LaLa-World を初期化とし、action と将来の visual representation を joint に予測。

4. どうやって有効だと検証した?

- MPC planning performance を既存 LWM と比較し、平均性能の向上を確認。 - image・video データ追加による平均 planning performance と action phrasing robustness の改善を検証。 - RAEv2-based video generation model baseline との matched comparison で training cost と planning 速度を比較。 - LaLa-Policy を LIBERO・RoboCasa で Cosmos Policy と比較し、性能と inference 速度を評価。

5. 議論はある?

- 要旨からは不明。 - 明示されている範囲では、language による action・視覚変化の記述が異種データ統合の鍵であり、image・video データ追加が robustness に寄与することが議論の中心。 - 限界や失敗事例、language 記述の品質依存性などについての詳細は要旨からは不明。

6. 次に読むべき論文は?

- JEPA-style latent world model (JEPA/LWM) の原論文。 - video generation model の language-conditioned インターフェースに関する研究。 - RAEv2-based video generation model baseline。 - Cosmos Policy。 - LIBERO、RoboCasa の benchmark 論文。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Junha Song, Geonmo Gu, Jeongeun Park, Heejeong Nam, Lucas Maes, Byeongho Heo, Dongyoon Han, Sangdoo Yun

分類: cs.CV, cs.LG

原文アブストラクト

This paper shows that JEPA-style latent world models (LWMs) can learn across diverse domains and data sources by adopting the language-conditioned interface of video generation models. We establish this approach as an effective and efficient basis for planning with imagination and downstream policy fine-tuning. To this end, we introduce LaLa-World, a Language-conditioned Latent World model that learns from simulation and robot trajectories together with broader image and video data. Two designs make this work. First, we describe both numerical actions and visual changes in language, enabling joint training of a single future predictor across heterogeneous datasets. Second, we build the predictor on a language model, allowing it to interpret language conditions while predicting future latent states. The resulting predictor achieves higher average MPC planning performance than existing LWMs trained separately for each domain or task. Adding image and video data further improves average planning performance and robustness to action phrasing. In a matched comparison with an RAEv2-based video generation model baseline, LaLa-World reaches comparable planning performance with $6\times$ less training cost and $13.9\times$ faster planning. Beyond planning, the pretrained LaLa-World serves as an initialization for LaLa-Policy, which jointly predicts actions and future visual representations. LaLa-Policy performs competitively with Cosmos Policy on LIBERO and RoboCasa, with up to $5.5\times$ faster inference.

関連論文

PR本紙発行元 EmplifAI