世界-行動モデル（WAM）は具現化知能を実現する有望な枠組みとされるが、主流のアプローチは依然として動画基盤モデルや視覚-言語モデルを中心としている。VGGTなどの3Dモデルから抽出した幾何特徴を組み込む場合でも、それらは通常、動画モデルやVLMという主要バックボーンへの補助入力または予測対象として渡されるだけで、3D幾何が世界モデリングのネイティブな基盤になっているわけではない。X-Era AI Labのチーム（Jianhao Laiら26名）が提案するE0.5は、この状況を変えようとするものである。
E0.5の中心的な考え方は、3D基盤モデルの上に直接構築された幾何ネイティブな世界-行動モデルである。革新的な点は二つある。第一に、3D基盤モデルを主バックボーンとして採用し、世界モデリングと行動予測の双方にとって3D幾何をネイティブ表現とする。第二に、行動を予測するだけでなく将来の3D状態も明示的に予測することで、行動のみのモデリングや将来動画予測を超えた幾何レベルの世界ダイナミクスを学習する。
実験はまずRoboTwin 2.0のシミュレーションベンチマークで行われた。具身データによる事前学習を一切行わなくても、クリーン設定で89.90%、ランダム化設定で50.09%の成功率を達成し、幾何ネイティブなバックボーンの有効性を初期段階で示した。
その上で研究チームは、AgiBotWorld-Betaの16万件を超えるロボット軌道でE0.5を具身事前学習し、事前学習済み3D基盤モデル内でロボット行動と将来幾何を同時に学習した。この具身事前学習により、実世界の操作タスクで顕著な改善が得られ、AgileX Piperでは平均成功率が約15ポイント、Zerith H1では約7ポイント向上した。
これらの結果は、幾何ネイティブな基盤モデルがロボットのインタラクション知識を獲得し、それを物理的な操作タスクへ転移できる可能性を示している。E0.5はVWAファミリーの世界-行動モデルの一員であり、この幾何ネイティブな路線を体現している。論文は2026年10月26日にarXivへ投稿され、番号はarXiv:2610.36011、分野はロボティクス（cs.RO）、全文サイズは約14MBである。