WorldFoundry：世界モデル研究のための再現可能な統合基盤

導入：見た目の自然さだけでは足りない

画像や動画を自然に生成できることと、環境をモデル化できることは同じではない。生成された映像がもっともらしく見えても、物体や環境の状態を長期的に保持できなかったり、ユーザーの操作に対して因果的に整合した変化を返せなかったりする可能性がある。WorldFoundry は、この「視覚生成」と「世界理解」の差を、実行可能な評価基盤として整理しようとするプロジェクトだ。

生成世界モデルの条件

論文では、生成世界モデルを予測的な力学系として捉え、主に次の能力を求めている。

• 過去の履歴を踏まえた、持続的な環境表現を保持すること。
• 行動、介入、反実仮想的な変更に応じて、その状態を更新すること。
• 介入の結果を反映した、時間的に一貫した軌跡を生成すること。

この考え方から、知能に焦点を置く能力の枠組みが導かれる。そこには、知覚的な接地、持続状態のモデリング、制御可能な変換、力学を考慮した予測、閉ループの相互作用が含まれる。評価対象は単発の画像品質から、記憶、変化の理解、行動への応答へと広がる。

統合される研究ワークフロー

動画、3D/4D、身体行動、インタラクティブな世界システムは、それぞれ異なる入力形式、実行意味論、出力形式、評価プロトコルを持つ。研究者はモデルやベンチマークを探すだけでなく、依存関係、アセット、実行設定、結果の保存、可視化も準備しなければならない。こうした分断は、システム間の比較を難しくし、未統合で実行できない状態と、モデル性能が低い状態を混同させる。

WorldFoundry は、モデルやベンチマークの発見、ランタイムとアセットの準備、実行のオーケストレーション、成果物の管理、インタラクティブな可視化を一つの基盤にまとめる。モダリティ別アダプターを使うことで、各システム固有のインターフェースや評価手順も保持する。また、明示的なマニフェスト、永続的な成果物契約、証拠を意識したスコアカードにより、実行準備の有無と評価上の主張を分けて記録する。

意義と限界

WorldFoundry の中心的な貢献は、新しい生成モデルを示すことではなく、世界モデル研究の比較を再現可能にする運用基盤を整えることにある。これにより、視覚的な品質だけでなく、持続状態、制御性、力学的予測、閉ループ相互作用を同じ研究上の関心として扱いやすくなる。

ただし、実行記録がそのままモデル能力の証明になるわけではない。最終的な結論は、使用したモデル、タスク、ベンチマーク、評価手順に依存する。WorldFoundry の意義は、こうした条件と根拠を隠さず、異なるシステムを検証可能な形で比較できるようにする点にある。

Hugging Face Daily Papers