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:2611.01677

Xiaomi Auto World Model 2.0:実世界運転と身体性知能のための因果世界モデル

Xiaomi Auto World Model 2.0: Causal World Models for Real-World Driving and Embodied Intelligence

シェア:XThreadsFacebookLINEはてブBluesky

マルチビュー時系列から3Dガウシアンを再構成し、因果的な物理進化を生成する統合ストリーミング世界モデルを提案。運転や身体性AIの閉ループシミュレーションに応用する。

詳しい要約

1. どんなもの?

- Xiaomi Auto World Model 2.0 は Physical AI 向けの統合的な streaming causal world model - 実世界の因果的な物理進化をモデル化・生成する - 異種の conditioning 入力を統合し view-consistent な生成を実現 - 構成要素 - View-Temporal Attention (VTA) と Multi-view Rotary Position Encoding (RoPE) - WorldRec 2.0 による 3D Gaussian 再構成 - Gated Linear Attention (GLA) による効率的 streaming 推論 - 応用 - closed-loop simulation、closed-loop training、World Action Model (WAM)

2. 先行研究と比べてどこがすごい?

- 単一の streaming causal world model として実世界の因果的物理進化のモデル化と生成を統合 - 異種 conditioning 入力を統合し view-consistent 生成を実現する点が特徴 - WorldRec 2.0 により multi-view・multi-temporal 観測から static/dynamic 3D Gaussian を single forward pass で再構成 - その rendering を明示的な scene context として使い long-horizon 生成での geometry/appearance 保持を狙う - VTA の temporal layer に GLA を導入し multi-view rollout 時の計算と KV-cache memory を削減 - 具体的な先行研究との比較数値は示されていない - 定量的な優位性は要旨からは不明

3. 技術・手法の肝は?

- アーキテクチャ - View-Temporal Attention (VTA) で cross-view 空間依存と時間ダイナミクスを捕捉 - Multi-view RoPE で view・time をまたぐ位置関係を符号化 - シーン表現 - WorldRec 2.0 が multi-view・multi-temporal 観測から static/dynamic 3D Gaussian を single forward pass で再構成 - その rendering を explicit scene context として利用 - conditioning 融合 - VAE latent concatenation により shared representation space で異種入力を融合 - 効率化 - VTA の temporal layer に Gated Linear Attention (GLA) を組み込み streaming 推論を効率化 - データ - physical-interaction data pipeline で多様…

4. どうやって有効だと検証した?

- 学習段階 - Pre-train 以降、大規模 video と異種 visual modality を組み合わせて visual/geometric/dynamic prior を学習 - Mid-train で多様な view configuration を学習し action と object state が以後の scene evolution をどう形作るかの捕捉を改善 - distillation-based Post-train を実施 - 応用検証 - closed-loop simulation、closed-loop training、World Action Model (WAM) に適用 - 物理的に整合した future state の生成、world-state prediction、policy learning、action generation を支えると報告 - 定量的な評価指標や比較実験の詳細は要旨からは不明

5. 議論はある?

- 要旨では限界や失敗ケース、計算コストの詳細な議論は明示されていない - 議論の有無は要旨からは不明 - 言及される効率化は GLA による streaming 推論時の計算・KV-cache memory 削減 - long-horizon 生成での geometry/appearance 保持は WorldRec 2.0 の rendering を scene context として用いる設計に依存 - その限界や汎化性の議論は要旨からは不明

6. 次に読むべき論文は?

- WorldRec 2.0(本モデル内で参照される 3D Gaussian 再構成手法) - View-Temporal Attention (VTA) および Multi-view Rotary Position Encoding (RoPE) の関連研究 - Gated Linear Attention (GLA)(効率的な linear attention 手法) - World Action Model (WAM) に関する研究 - closed-loop simulation / closed-loop training を用いた world model 研究 - VAE latent 空間での conditioning 融合に関する生成モデル研究

※ 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: Zhenxin Zhu, Zhijian Huang, Cheng Chi, Yuru Wang, Jianhua Wu, Jiayi Guan, Yonggang Li, Mingfei Tu, JiaKui Hu, Tao Xu, Xianqi Wang, Hao Li, Yuechuan Pu, Qizeng Jia, Ruiling Yang, Hongxiao Yu, Xuhan Sheng, Jian Mao, Ruiqiang Zhang, Yu Zhu, Guang Chen, Hangjun Ye, Bing Wang

分類: cs.AI, cs.LG

原文アブストラクト

We present Xiaomi Auto World Model 2.0, a unified streaming causal world model for Physical AI. It models and generates causal physical evolution in the real world, and unifies heterogeneous conditioning inputs for view-consistent generation. The architecture integrates View-Temporal Attention (VTA) to capture cross-view spatial dependencies and temporal dynamics, together with Multi-view Rotary Position Encoding (RoPE) to encode positional relationships across views and time. WorldRec 2.0 reconstructs static and dynamic 3D Gaussians from multi-view, multi-temporal observations in a single forward pass and uses their renderings as explicit scene context to preserve geometry and appearance during long-horizon generation. Conditioning inputs are fused through VAE latent concatenation in a shared representation space. We incorporate Gated Linear Attention (GLA) into the temporal layers of VTA for efficient streaming inference, reducing computation and KV-cache memory during multi-view rollouts. A physical-interaction data pipeline covers diverse interactions and long-tailed events. From Pre-train onward, these data are combined with large-scale videos and heterogeneous visual modalities to learn visual, geometric, and dynamic priors. During Mid-train, training across diverse view configurations further improves the model's ability to capture how actions and object states shape subsequent scene evolution. After distillation-based Post-train, we apply the model to closed-loop simulation, closed-loop training, and World Action Model (WAM) applications. These applications generate physically consistent future states and support world-state prediction, policy learning, and action generation for Physical AI.

関連論文

PR本紙発行元 EmplifAI