映像から物理シミュレーションを生成
Meet ‘Code-as-World’: An Agentic Loop That Rewrites Real Videos Into Executable MuJoCo Physics Programs
MirroSが開発した「Code-as-World」は、動画から物理シミュレーションのプログラムを自動生成し、AIが物理法則をより正確に理解するのに役立ちます。
MirroSは、実行可能な世界表現を通じて物理世界を表現するパラダイムであるCode-as-Worldを発表しました。その主張は狭く、検証可能です。ピクセルは物理的なシーンの証拠であり、その存在論ではありません。動画モデルは、質量、接触、重力を表現することなく、もっともらしいフレームを予測できます。そのため、Code-as-Worldはピクセル、潜在空間（AIの頭の中にある情報）、またはキャプションの代わりに、シーンを実行可能なコード、つまりMuJoCoが実行でき、エージェントが元の動画と照合して検証でき、誰でも編集して再シミュレーションできるscene.jsonとして表現します。エージェントループは、最大5回のラウンドで実際の映像からこれらのプログラムを復元します。検証された世界は、実際の動画には含まれない正確な物理ラベルを持つトレーニングデータとなります。その教師データでトレーニングされたCode-as-World-VL-9Bは、QuantiPhy検証で55.4 MRAを記録し、Gemini-3.1 Flashの54.8を上回り、最強のオープンウェイトベースラインを約15ポイント上回っています。展開可能か？はい、研究および社内プロトタイプレベルで可能です。MirroSは、GitHubリポジトリと2つのチェックポイント（Code-as-World-VL-4BとCode-as-World-VL-9B）をApache 2.0ライセンスで公開しました。これらはQwen3.5-4BとQwen3.5-9Bからfine-tuningされています。両方ともBF16 safetensorsであり、vLLMによってOpenAI互換の/v1エンドポイントの背後で提供され、ビデオあたり16フレームがサンプリングされ、--max-model-lenは4608です。アイデア：ピクセルは証拠であり、存在論ではない。MirroSの技術レポートは、動画モデル、3D再構築、およびキャプションはそれぞれシーンの一部を復元するものの、そのメカニズムを復元するものは何もないと主張しています。Code
この記事について質問
記事の内容に答えます。記事外のことは都度ウェブで調べます。