Nano World Models：未来のビデオ予測のミニマリスト実装

ワールドモデルは、生成、計画、意思決定をサポートする予測シミュレータを学習するための中心的なパラダイムとなっています。産業規模のインタラクティブビデオ生成が急速に進歩しているにもかかわらず、研究コミュニティ全体では、現代のワールドモデルの設計選択を研究するためのコンパクトで再現可能かつ容易に拡張可能な実装が不足しています。この問題に対処するため、Siqiao Huangら7名の著者による研究チームは、拡散強制（diffusion forcing）を中心とした未来のビデオ予測のためのミニマルなコードベース「Nano World Models」を提案しました。Nano World Modelsは、生成目的、モデル規模、行動条件付けメカニズム、潜在観測空間、データセット、評価プロトコル、長期ロールアウト手順のための統一インターフェースを提供します。この設計により、個別の実装にまたがって絡み合うことの多いワールドモデリングコンポーネントの制御された研究が可能になります。研究チームは、単純な制御環境、ゲームシミュレーション、実ロボットデータを用いた実験を通じて、予測パラメータ化、アーキテクチャ規模、行動注入、サンプリング予算、ドメインの複雑さがビデオ予測品質と自己回帰ロールアウト動作にどのように影響するかを検証しました。実験結果は、Nano World Modelsが多様な環境で将来のビデオフレームを効果的に予測し、長期的なモデルロールアウトをサポートすることを示しています。すべてのコード、設定、評価スクリプト、事前学習済みチェックポイントはオープンソースとして公開されており、オープンで再現可能かつ科学的なワールドモデル研究のためのコンパクトでありながら拡張可能な実験基盤を提供することを目指しています。この論文は2026年5月17日にarXivに提出され、コンピュータビジョンとパターン認識（cs.CV）、人工知能（cs.AI）、機械学習（cs.LG）に分類されています。引用情報はarXiv:2605.23993です。プロジェクトページも公開されており、研究のアクセシビリティと再現性をさらに促進しています。Nano World Modelsの登場は、ワールドモデル研究における標準化されたコンパクトな実装の欠如という重要なギャップを埋めるものであり、オープンサイエンスの精神に基づく今後の研究発展に大きく貢献することが期待されます。