GigaWorld-1：ロボットポリシー評価のためのワールドモデル構築ロードマップ
本論文は、ロボットポリシー評価におけるワールドモデルを体系的に研究し、実ロボットのテレオペレーションデータとポリシーロールアウトから構築されたベンチマークWMBenchを導入。7つのビデオワールドモデル、4つの行動表現方式、32万4千以上のシミュレーションロールアウトを分析し、評価者の品質は長期・行動忠実な一貫性に依存し、事前学習には汎用知識とロボット固有の制御可能性のバランスが重要であり、アーキテクチャの選択が実世界との整合性を決定づけるという3つの洞察を得た。これらに基づき、GigaWorld-1モデルを実装し、コード、モデル、データセット、ツールキットを完全公開した。
具現化ロボット基盤モデルの評価は依然として重要なボトルネックです。大規模言語モデルがデジタルベンチマークで効率的に評価されるのとは異なり、ロボットポリシーはハードウェアと人間の監督に制約された、低速で高コストな実世界展開を必要とします。このため、ワールドモデルをポリシーの代理評価器として利用する関心が高まっていますが、ワールドモデルを信頼できる評価器にするための鍵となる特性は十分に理解されていません。
本研究では、ロボットポリシー評価のためのワールドモデルを体系的に調査し、WMBenchベンチマークを導入します。このベンチマークは、実ロボットのテレオペレーションデータと対応するポリシーロールアウトから構築され、多様な操作タスク（ピックアンドプレース、組立、関節物体操作など）をカバーし、モデルファミリー（拡散ベースモデル、Transformerベースモデルなど）、行動符号化（関節角度、エンドエフェクタ姿勢など）、ロールアウト期間（50ステップから500ステップ）、評価指標（PSNR、FID、一貫性スコア）間の制御比較を可能にします。
WMBenchを用いて、7つのビデオワールドモデル（VideoPoet、Imagen Video、CogVideoなどの適応版）、4つの行動表現方式（離散化、連続埋め込み、逆動力学符号化など）、32万4千以上のシミュレーションポリシーロールアウトと実ロボット実行のペアを分析しました。さらに、CVPR 2026 GigaBrainチャレンジからの大規模コミュニティ提出（50以上のチームからのアルゴリズム）、厳選された合成軌跡（高品質物理シミュレータで生成）、12,000時間以上のトレーニングビデオ（多様なシーンと失敗例を含む）も分析に活用しました。
実験から3つの中核的洞察が得られました。第一に、評価器の品質は短期的な視覚的リアリズムよりも、長期的で行動に忠実なロールアウトの一貫性に支配されます。たとえ静的な画像の忠実度が高くても、時間を通じて行動と視覚結果の因果関係を維持できないモデルは良い評価器とは言えません。第二に、事前学習の利点はデータ規模だけでなく、汎用的な世界知識（インターネット動画から学習）とロボット固有の制御可能性（行動条件付けにより強制）のバランスから生まれます。インターネットデータのみで事前学習したモデルはロボットのダイナミクスに苦労し、ロボットデータのみで訓練したモデルは物理的常識を欠きます。第三に、行動注入機構（単純な結合 vs. クロスアテンション）、メモリモジュール（リカレント状態 vs. アテンションキャッシュ）、評価器重視の後学習戦略（対照学習 vs. 選好ランキング）を含むアーキテクチャの選択が、実世界のロボット行動との整合性を強く決定します。
これらの結果に基づき、実用的な設計ロードマップを導出しました。まず大規模インターネット動画で事前学習して汎用表現を獲得し、次にロボットデータで明示的な行動条件付けを行いながら微調整し、最後に学習された選好目的関数を適用して行動的に一貫した予測を優先するようにキャリブレーションします。このロードマップを具現化して、ポリシー評価に特化して最適化されたワールドモデル「GigaWorld-1」を実現し、複数のWMBenchベンチマークで既存手法を上回る性能を示しました。コード、事前学習済みモデル、データセット（実テレオペレーションデータ、シミュレーションロールアウト、コミュニティ提出を含む）、評価ツールキットをすべて寛容なライセンスで公開し、具現化基盤モデルのスケーラブルな評価研究を加速し、コミュニティ主導の改善を促進することを目指しています。