Roz：世界モデルの潜在表現を味見する評価法

- 潜在ダイナミクス世界モデル（latent dynamics world model）が物理法則を実際に符号化しているかを評価する新ベンチマーク「Roz」を提案する論文。 - 質量・変形・摩擦・弾性など物体の物理的属性の符号化を直接調べる評価手法を2種類導入。 - 10個のcontrastiveタスクと3個のcontinuousタスク、計1734シナリオで構成。 - モデルは静止画または動画を入力でき、latent抽出と距離関数のみでone pass実行可能。

- 既存の評価（probesやplanners）は不透明・モデル固有・高計算コストという問題があると指摘。 - 従来の世界モデルは画像類似度に還元されるタスクでは高性能だが、質量・変形・摩擦・弾性などの重要詳細を忘れることを示す。 - Rozはモデル非依存でone pass実行でき、新しい物理属性にも容易に拡張可能。 - 再構成MSEと性能が必ずしも相関しないことを自モデルAnonWMで示す。

- 世界モデルに符号化されるべき内容を精密に定義。 - 物理属性を直接引き出す2つの新評価手法を導入（contrastiveとcontinuous）。 - 入力は静止画または動画、latent抽出器、latent間距離関数のみを要求。 - 10 contrastiveタスク＋3 continuousタスク、計1734シナリオで構成。 - one passで実行可能な設計。

- Roz評価をcontrolタスク上で検証。 - 自モデルAnonWMで、性能が訓練ステップとともに概ね向上する一方、再構成MSEとは必ずしも相関しないことを確認。 - 具体的なcontrolタスク名やベースライン比較の詳細は要旨からは不明。

- 現行モデルの失敗は、不透明・モデル固有・高計算コストな評価戦略（probesとplanners）の症状だと主張。 - Rozの評価技術を今後の評価に採用することを期待。 - ベンチマークがモデル間の迅速な反復・比較を可能にする未来へのケーススタディを目指す。 - 限界や反論の詳細は要旨からは不明。

- 要旨で参照/比較されている既存評価手法：probes、planners。 - 評価対象のpopular world models（具体的名称は要旨からは不明）。 - 自モデルAnonWM。 - 関連する定番としてlatent dynamics world model、reconstruction MSEベースの評価。