ワールドモデルは将来の物理状態を予測できるが、予測精度だけでは、物理情報がその潜在ダイナミクスの中でどのように組織化され、利用されているかを説明できない。arXiv に投稿された本論文（2606.28455、著者 Yang Liu と Yuming Chen、2026年6月26日提出）は、まさにこの空白に焦点を当て、受動的物体状態ワールドモデルにおける事象条件付きの潜在物理構造を調べるための制御された診断プロトコルを提示している。
ここでいう受動的物体状態ワールドモデルとは、モデル自身が行動を課さず、物体状態の推移を受動的に観測する設定を指す。研究チームは三段階の問いを立てている。すなわち、隠れ表現が事象レジーム（物理的文脈）の情報を符号化しているか、異なる事象文脈が互いに排他的でない複数の物理場の読み出しを再重み付けするか、そして物理場に整合した表現成分が予測に対して真に機能的な意味を持つのか、という問いである。これらはそれぞれ、表現のデコード可能性、表現内容の動的変調、表現の因果的機能という三つの側面に対応する。
これらの問いに答えるため、著者らは自由運動・衝突・遮蔽という三種類の事象を含む平衡化された制御生成データセットを構築した。データセットは平衡設計されており、特定の事象クラスが統計的に支配して結論を歪めることを避けている。固定された予測ホライズンの設定のもとで、リカレントニューラルネットワーク型、アテンション型、潜在状態空間型という三種類の代表的な遷移モデルを評価し、これらの知見がアーキテクチャ間で一貫するかを検証した。
実験結果はまず、これらのモデルが有用な予測ダイナミクスを実際に学習しており、その隠れ状態から事象レジームを高い信頼性で読み出せることを確認した。つまり事象文脈の情報は潜在表現の中で明確に取得可能である。さらに注目すべきは、事象文脈が運動学・接触・対象永続性という三つの物理場の読み出しを体系的に再重み付けすることである。自由運動では運動学構造が支配的であり、衝突では運動学構造と接触構造が同時に動員され、遮蔽では運動関連内容と対象永続性関連内容が共同で寄与する。このパターンは、モデルがすべての物理場に固定の重みを与えるのではなく、事象文脈に応じて注目する物理的側面を動的に調整していることを示している。
著者らはさらに時間整合分析と方向一貫性分析を行い、物理場の強調の重点が事象の位相に応じて変化することを示した。言い換えれば、同一の衝突事象でもその段階によってモデルが依拠する物理情報構造は異なりうるということであり、潜在ダイナミクスの時間的組織化をより細かい粒度で理解する証拠となっている。
機能的検証では、論文は固定ホライズンの投影因果場効果（CFE）を採用している。特定の物理場に整合した表現方向を抑制し、予測性能が低下するかどうかを観察する手法である。結果として、場に整合した方向の抑制は事象関連の予測を実際に劣化させることが示された。最も強い証拠は衝突接触窓における接触整合構造であり、困難な遮蔽状況の隠れ窓では対象永続性整合構造にも機能敏感性が見られたが、その証拠はより限定的であった。
結論として著者らは、これらの知見の範囲を慎重に限定している。結果は潜在物理場が事象条件付きで組織化され、固定ホライズンにおいて機能敏感性を示すことを支持するが、それはモデル内部に明示的な物理モジュールが存在することや、互いに孤立した因果回路が存在することを意味するものではない。また、文脈不変なスライディングウィンドウ設定への一般化を推断することもできないとしている。本論文はロボティクス（cs.RO）分野に属し、人工知能および機械学習にもまたがる内容である。