NeurIPS 2026 の「ニューラル表現における対称性と幾何」ワークショップ（NeurReps）の拡張要旨トラックでポスター採択された論文が、事前学習済み LeWorldModel（LeWM）が小さな行動変化の効果をどれだけ忠実に再現するかを調べている。著者の Vasil Vasilev 氏らは、全体の予測誤差だけを見るのではなく、「局所的な行動幾何」というより細かいレベルに焦点を当て、行動がわずかに変わったときの状態応答がシミュレータと一致するかを問うた。
研究では、シミュレータとモデルの応答を対応させ、3つの異なる摂動スケールで Gram 行列を用いて行動感度を測定した。対象は Reacher と OGBench Cube の2環境で、合計約1000状態に及ぶ。その結果、最小の摂動スケールでは、両者の最も敏感な行動方向が一致せず、Reacher では中央値で約36度、Cube では約42度の角度差が生じた。モデルは全体的に行動変化に追随しているように見えても、最も微妙な局所方向では無視できないずれが現れていることを意味する。
スケールの影響も明確である。摂動幅を10倍に広げると、正規化 Gram 不一致の中央値は Reacher で約70%、Cube で約47%低下した。つまり、行動変化が大きいほどモデルとシミュレータの幾何応答は近づき、小さいスケールほど差が際立つ。さらに著者らは観測空間の違いも比較し、ピクセルや埋め込みで測った幾何は、選択した物理状態の幾何よりもスケール間の変動が大きいことを示した。これは、表現空間の選択が行動感度の判断に大きく影響することを示唆する。
保持方向での評価は、この差をさらに定量化している。環境の Gram 行列は埋め込み応答で中央値17%と28%の誤差を示したのに対し、同じトレースを持つ等方性参照では26%と38%だった。このスケールでは LeWM の誤差は参照ベースラインより大きい。著者らはこれに基づき、行動感度の評価は特定のスケールごとに行うべきであり、単一の結論にまとめるべきではないと主張する。局所幾何のずれが下流の制御性能にどう影響するかは、依然として未解決の問題である。論文は13ページ・図3点の拡張要旨で、機械学習とロボティクスの学際領域に位置づけられる。