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
ワールドモデルarXiv:2610.41273

SPT-Flow：一度の積分で多様な未来を生成する連続時間ワールドモデル

SPT-Flow: One Integration, Many Futures in Continuous-Time World Models

シェア:XThreadsFacebookLINEはてブBluesky

軌道ごとに1つの潜在変数をサンプリングし、自由走行ODEロールアウトを複数の読み出し時刻で実演状態に一致させることで、連続時間ワールドモデルが軌道関連の潜在情報を実際に活用するよう改善した研究。

詳しい要約

1. どんなもの？

連続時間の world model において、軌跡ごとに1つの latent をサンプリングし、free-running な ODE rollout を複数の readout time で demonstration state に一致させる SPT-Flow を提案する研究。teacher-forced baseline では posterior mean の変動が prior scale の約1%に留まり、latent を入れ替えても再構成 PSNR が区別できない問題を扱う。

2. 先行研究と比べてどこがすごい？

- 従来の連続時間 world model は単一の ODE 積分で latent trajectory を生成するが、stochastic conditioning を加えてもモデルがそれを利用する保証がない。 - 提案法は trajectory ごとに1つの latent をサンプリングし、free-running ODE rollout を複数時刻で監督する点で異なる。 - LIBERO で 30k optimizer steps 学習時、retrained ODEWorld baseline に対し best-of-10 PSNR を mid-trajectory で 2.0 dB、final frame で 2.4 dB 改善し、mean LPIPS を 23% 削減。

3. 技術・手法の肝は？

- 軌跡ごとに1つの latent をサンプリングする。 - free-running な ODE rollout を demonstration state に複数の readout time で一致させる。 - ground-truth intermediate state が trajectory 関連 latent 情報の必要性を減らすという supervision-shortcut 仮説を検討。 - re-anchoring 実験で提案メカニズムを支持。

4. どうやって有効だと検証した？

- LIBERO 上で、両モデルを 30k optimizer steps 学習し比較。 - best-of-10 PSNR が mid-trajectory と final frame でそれぞれ 2.0 dB、2.4 dB 改善。 - mean LPIPS が 23% 減少。 - per-sample inference cost は同程度。 - rollout control が精度向上の大部分を回復することを確認。

5. 議論はある？

- rollout control が精度向上の大部分を回復し、learned latent conditioning は多様性と best-of-K の利得を加える一方、この control に対する mean sample accuracy を低下させる。 - 診断結果は trajectory 関連 latent の利用を支持する。 - ロボティクス設定で matched 条件下の semantic mode coverage は未検証。

6. 次に読むべき論文は？

- 要旨で比較対象として挙げられている retrained ODEWorld baseline。 - 同分野の定番として continuous-time world model や ODE-based latent dynamics model 関連の研究。

※ 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: Mingyang Lyu, Yinqian Sun, Gongce Cao, Yuhao Zhang, Lu Jia, Qian Zhang, Bo Wang, Pin Lyu

分類: cs.LG

原文アブストラクト

Continuous-time world models generate a latent trajectory through a single ODE integration, but adding stochastic conditioning does not ensure that the model uses it. In our teacher-forced baseline, posterior means vary by only about 1% of the prior scale, and matched and swapped latents yield indistinguishable reconstruction PSNR at the reported precision. We study a supervision-shortcut hypothesis: ground-truth intermediate states can reduce the need for trajectory-associated latent information. We introduce SPT-Flow, which samples one latent per trajectory and matches a free-running ODE rollout to demonstration states at multiple readout times. Re-anchoring experiments support the proposed mechanism. On LIBERO, with both models trained for 30k optimizer steps, SPT-Flow improves best-of-10 PSNR over our retrained ODEWorld baseline by 2.0 and 2.4 dB at the mid-trajectory and final frames and reduces mean LPIPS by 23%, with comparable per-sample inference cost. The rollout control recovers most of the accuracy gain; learned latent conditioning adds diversity and best-of-K gains while reducing mean sample accuracy relative to this control. The diagnostics support trajectory-associated latent utilization; semantic mode coverage under matched conditions in the robotic setting remains unverified.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI