Qwen's Embodied World Modeling (28 minute read)｜Qwen の具現化された世界モデル（28 分読了） | AIニュース最前線

著者：[Jie Zhang](https://arxiv.org/search/cs?searchtype=author&query=Zhang,+J), [Xiaoyue Chen](https://arxiv.org/search/cs?searchtype=author&query=Chen,+X), [Anzhe Chen](https://arxiv.org/search/cs?searchtype=author&query=Chen,+A), [Deqing Li](https://arxiv.org/search/cs?searchtype=author&query=Li,+D), [Gengze Zhou](https://arxiv.org/search/cs?searchtype=author&query=Zhou,+G), [Hale Yin](https://arxiv.org/search/cs?searchtype=author&query=Yin,+H), [Haoqi Yuan](https://arxiv.org/search/cs?searchtype=author&query=Yuan,+H), [Haoyang Li](https://arxiv.org/search/cs?searchtype=author&query=Li,+H), [Jiahao Li](https://arxiv.org/search/cs?searchtype=author&query=Li,+J), [Jiazhao Zhang](https://arxiv.org/search/cs?searchtype=author&query=Zhang,+J), [Jingren Zhou](https://arxiv.org/search/cs?searchtype=author&query=Zhou,+J), [Kaiyuan Gao](https://arxiv.org/search/cs?searchtype=author&query=Gao,+K), [Kun Yan](https://arxiv.org/search/cs?searchtype=author&query=Yan,+K), [Lihan Jiang](https://arxiv.org/search/cs?searchtype=author&query=Jiang,+L), [Ningyuan Tang](https://arxiv.org/search/cs?searchtype=author&query=Tang,+N), [Pei Lin](https://arxiv.org/search/cs?searchtype=author&query=Lin,+P), [Qihang Peng](https://arxiv.org/search/cs?searchtype=author&query=Peng,+Q), [Shengming Yin](https://arxiv.org/search/cs?searchtype=author&query=Yin,+S), [Tianhe Wu](https://arxiv.org/search/cs?searchtype=author&query=Wu,+T), [Tianyi Yan](https://arxiv.org/search/cs?searchtype=author&query=Yan,+T), [Xiao Xu](https://arxiv.org/search/cs?searchtype=author&query=Xu,+X), [Yan Shu](https://arxiv.org/search/cs?searchtype=author&query=Shu,+Y), [Yanran Zhang](https://arxiv.org/search/cs?searchtype=author&query=Zhang,+Y), [Ye Wang](https://arxiv.org/search/cs?searchtype=author&query=Wang,+Y), [Yi Wang](https://arxiv.org/search/cs?searchtype=author&query=Wang,+Y), [Yilei Chen](https://arxiv.org/search/cs?searchtype=author&query=Chen,+Y), [Yixian Xu](https://arxiv.org/search/cs?searchtype=author&query=Xu,+Y), [Yiyang Huang](https://arxiv.org/search/cs?searchtype=author&query=Huang,+Y), [Yuxiang Chen](https://arxiv.org/search/cs?searchtype=author&query=Chen,+Y), [Zekai Zhang](https://arxiv.org/search/cs?searchtype=author&query=Zhang,+Z), [Zhendong Wang](https://arxiv.org/search/cs?searchtype=author&query=Wang,+Z), [Zixing Lei](https://arxiv.org/search/cs?searchtype=author&query=Lei,+Z), [Zhixuan Liang](https://arxiv.org/search/cs?searchtype=author&query=Liang,+Z), [Zihao Liu](https://arxiv.org/search/cs?searchtype=author&query=Liu,+Z), [Zikai Zhou](https://arxiv.org/search/cs?searchtype=author&query=Zhou,+Z), [Chenxu Lv](https://arxiv.org/search/cs?searchtype=author&query=Lv,+C), [Xiong-Hui Chen](https://arxiv.org/search/cs?searchtype=author&query=Chen,+X), [Chenfei Wu](https://arxiv.org/search/cs?searchtype=author&query=Wu,+C) [View PDF](https://arxiv.org/pdf/2606.17030) 前回の投稿では、Qwen がどのようにして物理的な世界を理解し、その中で行動するための基盤となる「世界モデル」を構築しているかについて概説しました。今回は、その具体的な実装アーキテクチャと、学習プロセスにおける重要な技術的要素に焦点を当てて解説します。 まず、Qwen の世界モデルは、単なる予測モデルではなく、多様な感覚入力（視覚、聴覚、触覚など）を統合し、時間的な因果関係を推論できる「具現化された」アーキテクチャを採用しています。これは、従来の言語モデルがテキストデータのみから抽象的な知識を獲得するのに対し、Qwen が物理的な環境とのインタラクションを通じて、より直感的で堅牢な世界理解を獲得することを可能にします。 技術的な実装においては、マルチモーダルエンコーダー（multimodal encoder）が重要な役割を果たしています。このエンコーダーは、カメラからの映像データやセンサーからの数値データを高次元のベクトル空間に変換し、言語モジュールとシームレスに連携できるようにします。特に、時間的コンテキストを保持するための「時系列アテンション機構（temporal attention mechanism）」が導入されており、過去の状態から未来の状態を予測する際の精度を大幅に向上させています。 学習プロセスでは、強化学習（Reinforcement Learning）と教師あり学習（Supervised Learning）のハイブリッドアプローチが採用されています。具体的には、シミュレーション環境内で数百万回のインタラクションを通じて、エージェントが目標達成のために最適な行動戦略を学習します。この際、報酬関数（reward function）は単なるスコアだけでなく、物理法則への適合性や安全性といった多面的な指標を含んで設計されており、より現実的な振る舞いを促すよう工夫されています。 また、Qwen の世界モデルは「汎用性」を重視しています。特定のタスクに特化せず、未知の環境や新しい物体に対しても適応できる能力を備えるため、データ拡張（data augmentation）技術と転移学習（transfer learning）が積極的に活用されています。これにより、限られた実世界のデータでも、広範なシナリオに対応可能なモデルを効率的に構築することが可能となっています。 最後に、この世界モデルの実用化に向けた課題として、計算リソースの最適化とリアルタイム推論の速度向上が挙げられます。Qwen チームは、軽量なニューラルネットワークアーキテクチャの開発や、エッジデバイスでの動作を考慮したモデル圧縮技術の研究を進めており、将来的にはロボット制御や自律走行など、時間的制約の厳しい分野への応用も視野に入れています。 次回の投稿では、Qwen の世界モデルを実際のロボットシステムに組み込んだケーススタディと、その性能評価結果について詳しく解説する予定です。 ** 要約：私たちは、具身知能のための言語条件付き動画世界モデルである Qwen-RobotWorld を紹介します。自然言語を統一されたアクションインターフェースとして用いることで、ロボットの操作、自動運転、屋内ナビゲーション、人間からロボットへの転移にわたる現在の観測から物理的に根拠のある未来の視覚的軌道を予測します。この統一された定式化は、3 つの有望な応用方向を提供します：ポリシートレーニングの拡張のための合成データ生成、ポリシー評価のためのスケーラブルな仮想環境、および下流のロボット制御のための言語誘導型計画シグナルです。これは 3 つの部分からなる設計によって達成されます：a) MLLM アクション符号化を備えたダブルストリーム MMDiT（Double-Stream MMDiT）、ここでは 60 レイヤーのダブルストリーム拡散トランスフォーマーが、層ごとの共同アテンションを通じて凍結された Qwen2.5-VL の意味論と動画 VAE（Variational Autoencoder）潜在変数を結合します；b) 具身世界知識（Embodied World Knowledge: EWK）、これは 20 以上の具身化と 500 以上のアクションカテゴリにわたるアクションと言語のマッピングを持つ、860 万の動画テキストコーパス（2 億フレーム以上）です；c) General+Expert Progressive Curriculum（一般＋専門家段階的カリキュラム）、これはまず一般的な視覚的事前知識を学習し、その後共有された言語インターフェースの下で具身化専門性を注入する 2 段階のトレーニング戦略です。広範な結果は強い競争力を示しています：EWMBench と DreamGen Bench で総合 1 位を獲得し、WorldModelBench と PBench ではすべてのオープンソースモデルを上回ります。RoboTwin-IF ベンチマークにおける追加的なゼロショット分析は、堅牢な一般化とマルチビュー一貫性をさらに支持しています。 主題: コンピュータビジョンとパターン認識 (cs.CV) 引用形式: [arXiv:2606.17030](https://arxiv.org/abs/2606.17030) [cs.CV] (または本バージョン用: [arXiv:2606.17030v2](https://arxiv.org/abs/2606.17030v2) [cs.CV]) [https://doi.org/10.48550/arXiv.2606.17030](https://doi.org/10.48550/arXiv.2606.17030) arXiv 発行 DOI (DataCite 経由) ## 提出履歴 From: Shengming Yin [[メールを表示](https://arxiv.org/show-email/5ef86a59/2606.17030)] [[v1]](https://arxiv.org/abs/2606.17030v1)** 2026年6月15日 (月) 17:52:31 UTC (19,155 KB)** [v2]** 2026年6月16日 (火) 16:55:52 UTC (19,155 KB)

Qwen の具現化された世界モデル（28 分読了）

背景や根拠まで確認しますか？

調べる

選ぶ

サイト

背景や根拠まで確認しますか？

ニュースの次に確認する

調べる

選ぶ

サイト