| 1 第66回 コンピュータビジョン勉強会＠関東 WorldPrediction A Benchmark for High-levelWorld Modeling and Long-horizon Procedural Planning Delong Chen, Willy Chung, Yejin Bang, Ziwei Ji, Pascale Fung 

| 2 この論文を選んだ理由 個人的に世界モデル=自動運転 or ロボット制御のイメージが強かった 上記用途以外のテーマって無いのかな？と調べたのがきっかけ。 ただし、論文自体はベンチマークデータセットの提案を行っているもので、新しい世界モデル手法を提案している わけではない。 

本題に入る前に・・・ 

前回のCV勉強会懇親会でこんな会話をしました 

| 以前、やる夫で学ぶ〇〇をやって だたすべった事があるんですよねー 某氏 Me そうなんですかー。 （次回やってみよー） 

| 6 やる夫で学ぶ WorldPrediction A Benchmark for High-levelWorld Modeling and Long-horizon Procedural Planning Delong Chen, Willy Chung, Yejin Bang, Ziwei Ji, Pascale Fung 「今更『世界の予測』かお？ 動画生成AIならSoraとかでもも う完璧じゃないかお？ この論文、読む必要あるか？」 「その考えが甘いんだろ、常識 的に考えて。ピクセル生成で出 来ることと、因果関係を理解し て計画でることは別物だ。 Meta FAIRと香港科技大の 『 WorldPrediction 』で現実をみ せてやる」 

| 7 先に要約するお WorldPredictionは 「人間は簡単にできるが、モデルはまだ全然できない」 高レベル世界理解と長期計画を、視覚のみで厳密に測る 初のベンチマークデータを発表したんだお！ 

| 8 イントロダクション：高レベルな「世界モデル」とは？ 従来の低レベル世界モデル • 直感物理・ロボット制御 (Intuitive Physics) • 低レベルで高周波な制御 • 物理法則だけで解ける問題 必要な高レベル世界モデル • 料理や修理のような複雑な人間活動 • 時間的・意味的な抽象化 (Semantic Abstraction) • 「電池を交換」「家具組立」等の複雑な行動 現在のAI（特に生成モデル）がこれを習得できているかは不明 動画が綺麗ならそれ でいいお。 今さら必要なのか お？ 料理や修理のような 『段取り』が必要な作 業は、物理法則だけ じゃ解けないんだ。 AIにも人間のような 『世界モデル』が必要 だという話だ 

| 9 関連研究との違い：なぜ新しいベンチマークが必要か？ 既存研究の限界 ロボティクス 自動運転 ビデオ生成 短期計画 (3-4 steps) ※ ドメインが限定的で、複雑な人間活動を測れない WorldPrediction 多様なドメイン ：料理、組立、修理など アーキテクチャ非依存 ：VLM vs Diffusion vs LLM タスク非依存 ：特定のモデルに縛られない 複雑な人間活動 を理解できるか測定 でも自動運転とかの ベンチマークは山ほど あるお。 それで十分じゃないの かお？ それらは『ハンドルを 右に切る』レベルの話 だ。 『電池を交換する』と いった複雑な人間活 動を理解出ているか を測る物差しがなかっ たんだ 

| 10 理論的定式化：POMDP（部分観測半マルコフ決定過程） 世界モデルの本質的要素 S Latent States (潜在状態) 真の世界の状態。直接は見えない「真実」。 O Observation (観測) 画像や動画。Sの不完全な断片。 A Action (行動) 実行される高レベルな行動。 T Transition (遷移) 行動Aによって世界がどう変わるかのルール AIは画像(O)から真実(S)を推測し、未来を予測しなければならない 数式が出た瞬間に脳 が停止したお… Sってなんだお？ 『真実』だ。画像(O)は あくまで断片的な情報 に過ぎない。 AIは画像(O)から真実 （S)を推測し、未来を 予測しなければならな い。 これが世界モデルの 本質だ。 

| 11 ベンチマークの目的：2つのタスク WorldPrediction-WM 初期状態から最終状態への変化を引き起こした「行動」を当てる。 (World Modeling: 単一行動の理解) WorldPrediction-PP 長期間の変化をつなぐ「行動の順序」を当てる。 (Procedural Planning: 3〜10ステップの計画) 要するに『何をしたか』 と『どういう順番でした か』を当てるゲームか お？ その通り。だが、選択 肢の中には『偽物』が 混ざっている。それを 見抜けるかが勝負だ。 

| 12 ベンチマーク設計：識別的タスク (Discriminative Formulation) 公平な比較 評価の客観性 柔軟性 4択クイズならカンで 当たるお！ 楽勝だお！！ そう思うだろ？だが、 このテストには AIを騙すための『罠』 が仕掛けられている。 

| 13 難易度調整の要：「Action Equivalents（行動の等価性）」の罠 罠：AIは行動の内容ではなく、初期状態・最終状態と「背景が似ている」動画 を選ぼうとする。 対策：正解の選択肢に、全く別の場所・視点で撮影された「同じ行動」を使用 する 補足：ベンチマークで入力されるのは赤枠内の情報のみ。 背景が同じ動画を選 べば正解・・・じゃない のかお？ 残念だったな。正解の 動画は、全く違うキッ チンで撮影された動 画かもしれない。 

| 14 品質管理：観測可能性フィルタリング でも、画面の外で何か 起きたら人間だって間 違えるお その通り。だから人間 でもわからない『悪 問』は徹底的に排除し た 可視性 (Visibility) Problem 部分観測性により、肝心の変化が映っていない Solution DINOv2特徴量で、変化が激しすぎるサンプルを除外 視認性 (Recognizability) Problem 手元が見えない、何をしているか判断不可能 Solution VLMを用いて、手元が見えない動画を自動除外 その上で、2名の目視判断で両名正解となった問題のみを採用 

| 15 実装：多様なデータソース Web上の指示動画 (Instructional Videos) COIN / CrossTask 一人称視点の熟練動作 (Egocentric Skilled) EgoExo4D / EPIC-KITCHENS-100 家具の組み立て (Furniture Assembly) IKEA-ASM 対象ドメイン 料理 (Cooking) 組立 (Assembly) 修理 (Repair) 単なる移動ではない 複雑な手順と判断が必要 IKEAの家具組み立て …人間でも難しいや つだお… そう、多様なドメインが 含まれている。 単なる移動や単純作 業だけではないがポ イントだ。 

| 16 評価対象：チャレンジャーたち ● 既存のVLMなどが、どの程度暗黙的に『世界モデル』を内包しているのかを評価 Vision-Language Models (VLMs) 画像を直接見て判断する Ex: Qwen2.5-VL, GPT-4V Socratic LLMs 画像 → テキスト説明 → 推論 Ex: GPT-4o + Captioner Video Diffusion 未来の動画を生成して比較する Ex: CogVideoX GPT先生なら余裕で 全問正解だお！ 最強だお！ 果たしてそうかな？ Socraticアプローチと 直接視覚を使うVLM、 どちらが勝つか見もの だ。 

| 17 結果：人間とAIのギャップ 半分くらいしか当たっ てないお！ サイコロ振るレベルの もあるお！ これが現実だ。 最新AIでも、高レベル な因果関係の理解は まだこの程度なんだ。 

| 18 考察：何が足りないのか 因果関係の理解 (Causality)  表面的な視覚的相似性に頼っている  「なぜそうなるのか」という真のメカニズムを 理解していない 長期的推論 (Long-term Reasoning)  複数ステップにわたる計画が苦手  各ステップ間の依存関係を正しく把握できない 抽象化のレベル (Abstraction)  低レベルな物理制御は得意だが、高レベルな意 味的行動は苦手  「料理する」「修理する」といった概念の理解が浅い 多様性への対応 (Diversity)  異なるコンテキスト（背景・視点）での一般化が不十分  見た目が変わると同じ行動だと認識できない つまり、AIはまだ『世界モデル』を本当 には持ってないってことか… 

| 19 まとめ ● 世界モデル=自動運転 or ロボティクスのイメージがあったので、多ドメインなデータセットと いうのは興味深かった。 ● 人間が理解可能なデータセットをベースに性能の良い/悪いを判断するという条件設定は好感 を持てた。（これは実務でも大事だと思う） ● やる夫ネタでスライド作っていくは結構むずかった。 ● NoteBoolLMが生成したやる夫とやらない夫が美化されすぎ。 

Thank you very much for your time!!