言語理解を世界制御へ変える「H3-World」を発表

私たちは、330 億パラメータの MiniMax-H3 動画生成器をインタラクティブな世界モデルへと変換する効率的なフレームワーク「H3-World」を発表します。私たちの重要な発見は、大規模な動画生成モデルが能力を高めるにつれ、言語が制御のための自然なインターフェースとして浮上しているという点です。

例えば MiniMax-H3 は、すでに自然言語の指示を通じてキャラクターの動作やカメラの動きをゼロショットで制御する機能を備えています。H3-World はこの粗い言語インターフェースを基盤に、専用のアクションモジュールを追加することなく、時間的に正確な世界制御を実現します。具体的には、各アクションをキャラクターとカメラの指示を組み合わせた構造化された形式で表現し、対応する時間軸の動画潜在変数（latents）と整合させます。

制御の時間精度を高めるため、私たちは「時間的アテンションルーティング」を導入しました。これにより、各指示は意図した時間区間に限定され、異なるアクション間での制御漏れが抑制されます。H3-World の特徴は、大規模な動画事前学習で獲得された意味表現をそのまま再利用し、軽量な適応だけで済む点です。

ゲームプレイのサンプル 8,000 件と LoRA 最適化ステップ 10,000 回、そしてトレーニング可能なパラメータが全体の 0.199% しかないという極めて少ないリソースで、H3-World は高い生成品質を維持しつつ、効果的なキャラクターおよびカメラ制御を実現します。また、未知のシナリオへの一般化能力も備えています。

これらの結果は、大規模動画生成モデルに内在する制御能力を、効率的にインタラクティブな世界制御へと転換できることを示しています。