2026-08-30·★ 会員·論文·12分で読めます

論文解説 PAWBench — 動画生成は「起こりうる未来の確率」まで当てられるのか

動画生成モデルを世界モデルと呼ぶなら、もっともらしい1本ではなく、同じ初期状態から繰り返し生成したときの分布が正しくなければならない。PAWBench はその確率的整合を50シナリオ・11モデルで測り、どのモデルも要件を揃えられないことを示した論文です。

#world-model #video-generation #benchmark #evaluation #calibration

対象imageタスクfine-tuning

PAWBench: How Far Are We from Probabilistically Aligned World Modeling?

一次資料 — この記事の根拠

論文の発表 2026-08-27→この解説の公開 2026-08-30同月

PAWBench: How Far Are We from Probabilistically Aligned World Modeling?Yuandong Pu, Le Zhuo, Sayak Paul ほか · 2026-08-27 · v1arXiv:2608.27345論文ページ·PDF

原文の要旨（Abstract）を読む

Recent video generation models are increasingly framed as world models. Many physical processes can unfold in more than one valid way. Therefore, a world model should reproduce not only a plausible trajectory, but also the distribution of possible behaviors under the same initial observation and action. We call this distribution-level requirement probabilistic alignment. However, existing evaluations largely assess individual-video plausibility and do not test whether repeated generations recover the correct distribution. This raises a central question: how far are current video generators from probabilistically aligned world modeling? To answer it, we formalize probabilistic alignment as a distributional criterion for world models and introduce PAWBench, a benchmark for evaluating video generators as stochastic samplers of world dynamics. We further introduce PAWEval, an outcome-level protocol that converts repeated video rollouts into empirical distributions over possible physical behaviors. Across 50 scenarios and eleven current systems, no model consistently matches the reference probabilities while recovering the range of valid behaviors. Having established this gap, we test whether language prompts, initial noise sampling, or model training can reshape the model's predictive distribution. We believe our work can serve as a foundation for future efforts to move towards probabilistically aligned world modeling.

「もっともらしい1本」では足りない

コインを投げる動画を1本見せられ、表が出て、動きも自然だったとします。このモデルは物理を理解している、と言えるでしょうか。

同じ画像・同じ指示で100回生成させて100回とも表なら、答えは「いいえ」です。表が出ること自体は正しい。間違っているのは割合のほうです。

PAWBench の論文が問うのはこの一点だけです。動画生成モデルは「世界モデル」として語られるようになりましたが、既存の評価は生成物を1本ずつ切り離し、視覚品質・時間的一貫性・指示追従・物理的もっともらしさで採点しているにすぎません（§1）。個々の動画がどれだけ自然でも、同じ条件から引く分布が正しいかは分からない。論文はこの分布レベルの要件を確率的整合（probabilistic alignment）と名付け、測定可能にしました。

比喩: 出目ではなく、出目の割合を見る

サイコロの良し悪しを、1回振って「6が出た、動きも自然だ」で判定する人はいません。何十回も振って1〜6がだいたい均等に出るかで決めます。

論文がやるのもこれです。初期画像 $x$ と行動プロンプト $a$ を固定したまま繰り返し生成させ、各動画を「最終的に何が起きたか」というラベルに変換して頻度を数える（§3.1）。フレーム単位で比べるのではなく、出目の集計にしてから評価する、という発想の転換です。

二段構えの「合っている」

論文は「分布が合っている」を2つの水準に分けます（§2）。

台（support）の整合: 起こりうる有効な結末を、取りこぼさず全部出せるか
確率質量の整合: それぞれの結末が、正しい割合で出てくるか

強さの順は、もっともらしい1本 < 台の整合 < 確率質量の整合。論文の言い方では、モデルは整合しないまま多様であることができる——全部の結末を出せることは、それぞれに正しい確率を割り当てている保証にはなりません。

下の図で、結末の種類は同じまま確率の割り振りだけが尖ったり平らになったりする様子を触ってみてください。

FIG 1棒の本数（＝起こりうる結末の種類）が同じでも、確率の割り振りはまるで変わる。1本だけが極端に高い状態が「もっともらしいが整合していない」世界モデル

仕組み: 軌跡の分布を、出目の分布に落とす

初期観測を $x$ 、行動を $a$ 、生成される軌跡（動画）を $\tau$ とすると、世界モデル $M$ は条件付き分布 $P_{M}(\tau\mid x,a)$ として書けます（§2）。ただし軌跡は高次元すぎて比較できないので、論文は軌跡を終端結末へ写す関数 $g$ を置きます。 $\mathcal{Y}$ を有効な終端結末の有限集合として、

p_{M}(y\mid x,a)=\Pr_{\tau\sim P_{M}(\cdot\mid x,a)}\!\left[g(\tau)=y\right]

(1)

つまり「モデルに何度も動画を作らせたとき、結末が $y$ になる割合」です。 $y$ は「表」「裏」のような目に見える結果、 $g$ は動画にラベルを付ける係。同じ結末に至る軌跡の違いは、ここで意図的に捨てています。

参照分布 $q$ （正しい割合）が分かる場合、論文は総変動距離（TVD）で比べます。2つのカテゴリカル分布の $\ell_1$ 距離の半分です（§3.3）。

\mathrm{TVD}(p,q)=\frac{1}{2}\sum_{y\in\mathcal{Y}}\bigl|p(y)-q(y)\bigr|

(2)

要するに「各結末での確率のズレを全部足して2で割る」だけです。完全一致で0、50/50が正解のところを70/30で出すモデルは $\times100$ 表示で20になります（Tab.1注記）。 $q$ を正当化できない場面では、代わりに有効な結末のうち何割が実際に現れたか（カバレッジ）を測ります。

PAWBench の作り

50シナリオが8つの物理メカニズム群にまたがり、2トラックに分かれます（§3.1）。PAW-Calibration（25件）は参照分布 $q$ を解析や対称性から導けるもの——投擲・回転・経路分岐・くじ引き系。PAW-Coverage（25件）は結末を列挙できても相対確率を正当化できないもの——衝突・安定性・エージェント相互作用・材質変化です。

分けた理由は、1本評価では区別できない2つの失敗を切り離すためです。前者が測るのは確率の配分ミス（どれももっともらしいのに、ある結末だけ出すぎる）、後者が測るのは結末の欠落（1本1本は自然なのに、有効な未来のいくつかが一度も現れない）。だから論文は両者を1つのスコアに合成しません。

シナリオ側にも3条件が課されます（§3.2）。確率性が目に見える物理機構から生じること、行動プロンプトが完了判定できる単一の介入であること、終端結末が有限で見分けのつく集合であること。50件すべて人手で作成・レビューし、参照分布と失敗判定はモデル評価の前に確定させています。

論文解説 PAWBench — 動画生成は「起こりうる未来の確率」まで当てられるのか

「もっともらしい1本」では足りない

比喩: 出目ではなく、出目の割合を見る

二段構えの「合っている」

仕組み: 軌跡の分布を、出目の分布に落とす

PAWBench の作り

ここから先は会員限定です

参考文献

コメント