WorldExam：動画世界モデルの「見た目」だけでなく反応性を測る

導入

制御可能な動画生成モデルは、近年「世界モデル」として語られることが増えています。しかし、映像がきれいで、プロンプトに書かれた動きが再現されているだけで、本当に世界を理解していると言えるのでしょうか。論文 WorldExam: Benchmarking World Models from Apparent Appearance to Inherent Reactivity は、この問いに対して評価軸を一段深める提案です。

この研究が重視するのは、生成された世界が場面の状態に応じて自然に反応できるかどうかです。入力に明示されていない結果であっても、物体、人物、目標、空間関係から考えて起こるべきことを推論し、もっともらしい続きとして生成できるかを測ります。

主要ポイント

• 表面的な品質から内在的な反応性へ：従来の動画生成ベンチマークは、画質、安定性、明示的な指示の達成に注目しがちでした。WorldExam は、それだけでは世界モデルの評価として不十分だとし、場面条件から導かれる自然な反応を評価対象に加えます。
• 四層の診断フレームワーク：評価は Visual Quality（視覚品質）、Control Adherence（制御追従）、Spatial Consistency（空間的一貫性）、World Reactivity（世界反応性）の四段階で構成されます。これにより、単に美しい映像を作る能力と、整合した世界を保ち反応する能力を切り分けて見られます。
• 複数の制御方式を統一評価：WorldExam は 1,474 件のテストケースを含み、八つの専用タスクを通じて、カメラ駆動、アクション駆動、言語駆動のモデルを同じ枠組みで評価します。入力インターフェースが異なるモデルを比較するうえで、この統一プロトコルは重要です。
• 現在のモデルには明確な能力差：20 の代表的モデルを評価した結果、カメラ駆動モデルはカメラ制御に強い一方で動的な相互作用を扱いにくく、アクション駆動モデルは主体の制御に優れるものの周囲の世界が反応しないことが多いとされます。言語駆動モデルは相互作用で比較的よい結果を示す一方、複雑な制御には従いにくい傾向が示されました。

意義と影響

WorldExam の意義は、「世界モデル」という言葉を検証可能な能力へ分解した点にあります。高品質な動画生成は印象的ですが、それは必ずしも世界の因果や相互作用を理解していることを意味しません。見た目のリアリティと、状況に応じて反応する世界の一貫性は別の問題です。

研究者にとって、このベンチマークはモデルの失敗箇所を特定する手がかりになります。問題が制御インターフェースにあるのか、環境の反応を学習できていないのか、あるいは空間的一貫性の維持にあるのかを診断しやすくなります。開発者にとっても、現在の可制御動画モデルが信頼できるインタラクティブ・シミュレータにはまだ届いていないことを示す材料になります。

特にロボティクス、身体性 AI、ゲーム生成、シミュレーション学習では、環境は単なる背景ではなく、行動に応じて変化する存在でなければなりません。WorldExam は、今後の世界モデルがより長く美しい動画を作るだけでなく、空間構造、制御信号、目標、暗黙の結果を扱える方向へ進む必要があることを示しています。

出典：Hugging Face Daily Papers