WorldCycle：可逆な動作循環で動画世界モデルを鍛える

動画世界モデルは短い時間ではそれらしく見えても、時間が伸びるほど誤差が積み重なり、最終的に元の状態へ戻れなくなります。WorldCycle が問題視しているのは、単なる生成品質ではなく、長期的な正しさをどう検証するか という点です。任意の動作列には真の未来状態がないため、従来の学習では長期ドリフトを直接抑えにくい、というのが出発点です。

そこで著者らは、物理的な直感に基づく単純な原理を使います。ある動作とその逆操作をつなげれば、理論上は出発点に戻るはずです。この「閉じた循環」をそのまま学習信号にするのが WorldCycle です。手法は主に次の2つの報酬で構成されます。

• 空間閉包報酬: 前進区間と逆順区間が中間段階でも対称になるかを確認する。
• 時間一貫性報酬: 同じ循環を繰り返したとき、対応する状態がずれないかを確認する。

この設計により、モデルは動作を単なる時系列パターンとして暗記するのではなく、状態を変換する一貫した演算子として学ぶようになります。論文では、移動と回転のような複合動作にもこの考え方が自然に拡張できる点が強調されています。

また、著者らは CycleBench という診断用ベンチマークも公開しました。これは可逆・反復・複合動作に対して、モデルがどれだけ正しく状態を戻せるかを測るものです。つまり評価の焦点を「映像がきれいか」から「シミュレータとして状態を維持できるか」へ移しています。

結果として、WorldCycle は状態復帰のドリフトを最大 44% 削減し、複合動作の精度をほぼ 4倍 に引き上げました。長期計画や具身AIにおいて、次フレーム予測の精度だけでなく、自己検証能力そのものが重要であることを示す結果です。

出典: Hugging Face Daily Papers