Smart
Robots
Design DEPARTMENT OF ENGINEERING
TOHOKU UNIVERSITY
Robots
Design DEPARTMENT OF ENGINEERING
TOHOKU UNIVERSITY
良い候補は在るのに、
なぜ世界モデルは選べないのかWhy does a world model miss
good candidates that already exist?
公式JEPA-WM / DINO-WMで故障を分解し、PCC再順位付けを検証Failure decomposition and PCC reranking on official JEPA-WM / DINO-WM checkpoints
Q何を調べ、何が分かり、次に何を試すのか？What did we test, learn, and decide to try next?
失敗の主因は選択にあり、線形PCCでは改善できなかった。Selection is the main failure source, and linear PCC did not fix it.
256候補をすべて実行して答え合わせすると、難しい壁横断の改善余地は候補生成より選択に集中していた。Ground-truthing all 256 candidates shows that, in hard wall crossing, improvement headroom lies in selection rather than generation.
最大の順位付け失敗PEAK RANKING FAILURE58.8%
door-center-shiftのcross-wall層。良い候補はあるが選べない。door-center-shift cross-wall: a good candidate exists but is missed.
線形PCCの対応効果LINEAR-PCC EFFECT−2.6〜+1.2pt
全10条件で+5ptの実効ゲートに未到達。None of 10 cells reaches the +5-point practical gate.
仮説判定DECISIONH2
not supported
not supported
診断は成立したが、この線形介入は選択だけで回収できる余地を埋めない。The diagnosis holds; this linear intervention does not close the selection headroom.
次の判断: 選択だけで回収できる余地が最大の層を標的に、潜在特徴も使う非線形リランカを事前登録して検証する。Next decision: preregister and test a nonlinear reranker using latent features on the largest-headroom stratum.
Q初めて読む人は、どの順番で何を理解すればよいのか？What should a first-time reader understand, and in what order?
用語から実装、1エピソード、全体集計へ進めば、結論の根拠を途中で飛ばさず追える。Terms → implementation → one episode → aggregate results makes every inference traceable.
01 / DEFINITIONS
用語と成功条件Terms and success
世界モデル、潜在表現、rollout、候補バンク、checkpoint、成功と失敗を先に定義する。Define world model, latent, rollout, candidate bank, checkpoint, success, and failure first.
専門語を処理の順番に並べて読む。Read each term in processing order.02 / IMPLEMENTATION
PCCは何を見るかWhat PCC sees
凍結した世界モデルの想像軌道を座標へ復号し、既知の壁・扉との違反量を潜在コストへ足す。Decode imagined paths, check known geometry, and add risk to latent cost.
候補生成は変えず、選択だけを変える。Generation stays fixed; only selection changes.03 / EPISODE
1話で何が壊れるかInspect one episode
予測軌道と実行軌道を重ね、成功候補が在るのに別候補を選ぶ過程を確認する。Overlay predicted and executed paths to see how a good candidate is missed.
想像上の近さと実行結果がずれる。Imagined closeness diverges from execution.04 / AGGREGATE
全体でどれほど起きるかMeasure prevalence
128万候補の実行結果を、条件・モデル・配置（同側／壁越し）・選択器ごとに集計する。Aggregate 1.28M executions by condition, model, topology, and selector.
最大58.8%が順位付け失敗。Ranking failure peaks at 58.8%.数式と統計は結論を飾るためではなく、各判断を第三者が再計算できるように後段で示す。Equations and statistics appear later so a third party can recompute each decision—not as decoration.
Part 1 背景と設計
なぜ失敗を「候補なし」と「選び損ね」に分けるのかPart 1 Background & Design
Why split failure into no-candidate and mis-selection?
なぜ失敗を「候補なし」と「選び損ね」に分けるのかPart 1 Background & Design
Why split failure into no-candidate and mis-selection?
01
Qこの発表を読む前に、どの用語をどう理解すればよいか？Which terms must be understood before reading the experiment?
専門語はすべて、「画像から将来を想像し、256候補から1つを選ぶ」処理の部品である。Every technical term names one part of the path from images to one selected plan among 256 candidates.
OBSERVATION観測画像Observation
現在位置と壁を描いた開始画像、目標位置を描いた目標画像。A start image showing current state and walls, plus a goal image.
→
ENCODER / LATENT符号器／潜在表現Encoder / latent
符号器は画像を384個の数値へ変換する。その数値列が潜在表現で、画像そのものではない。The encoder converts an image into 384 numbers. That vector is the latent representation, not an image.
→
WORLD MODEL / ROLLOUT世界モデル／rolloutWorld model / rollout
現在の潜在表現と行動列から、将来の潜在表現を順に予測する。1候補を内部で想像する処理がrollout。Predicts future latents from the current latent and actions. A rollout is one internally imagined candidate future.
→
LINEAR PROBE線形probeLinear probe
潜在表現から(x,y)座標を読む小さな変換器。200個の座標ラベルだけで学習する。A small decoder from latent to (x,y), trained with only 200 coordinate labels.
→
SELECT / PCC選択／PCCSelection / PCC
通常は目標に近い想像を選ぶ。PCCは壁・扉違反を加点し、候補を作り直さず順位だけを変える。Baseline selects imagined goal proximity. PCC adds wall/door risk and changes ranking, not generation.
候補／候補バンクCandidate / bank
候補は30ステップの行動計画1本。候補バンクは、同じ開始・目標に対して比較する最大256本の集合。A candidate is one 30-step action plan; the bank is the shared set of up to 256 plans.
被覆／順位付け失敗Coverage / ranking failure
被覆は「成功候補が1本以上ある」こと。あるのに選べなければ順位付け失敗、1本もなければ生成失敗。Coverage means at least one candidate succeeds. Missing it is ranking failure; having none is generation failure.
反実仮想実行Counterfactual execution
実際には選ばなかった候補も環境で実行し、「もし選んでいたら成功したか」を答え合わせすること。Execute even unselected candidates to learn what would have happened had each been chosen.
Qなぜ潜在コストだけでは実行可能性を保証できないのか？Why does latent cost alone fail to guarantee feasibility?
世界モデルは、壁を抜ける“近道”を良い候補として選びうる。A world model can prefer a goal-close shortcut that crosses the wall.
- 潜在世界モデルは、想像ロールアウトの目標への近さで候補行動列を順位付けして実行Latent world models rank candidate action sequences by goal proximity of imagined rollouts
- しかし「潜在空間で目標に近い」≠「実行可能」— 壁を突き抜けて終端だけ目標に近い候補を「良い」と誤評価しうるBut "close in latent space" ≠ "feasible" — a wall-crossing candidate that merely ends near the goal can be scored as "good"
- そこで本研究は、全候補を実行して「候補なし」と「選び損ね」を分け、既知幾何による再順位付けが選択だけを改善するかを測る。We therefore execute every candidate to split generation from mis-selection, then test whether known-geometry reranking improves selection alone.
Qなぜ成功率や予測誤差だけでなく、全候補を実行する実験が必要なのか？Why execute every candidate instead of reporting only success or prediction error?
失敗を「解ける候補がない」と「解ける候補を選べない」に分けるには、選ばなかった候補の反実仮想実行が必要である。Separating missing candidates from mis-selection requires counterfactual execution of the unchosen candidates.
OBSERVATION
選んだ計画が失敗The selected plan fails
通常の成功率が教えるのはここまで。失敗原因はまだ一つに決まらない。Ordinary task success stops here; the cause remains ambiguous.
→
TWO POSSIBLE CAUSES
生成か、順位付けかGeneration or ranking?
候補集合に成功経路が無かったのか。あったのに世界モデルが別候補を選んだのか。Was no successful route generated, or was one present but left unchosen?
→
IDENTIFY BY EXECUTION
256候補を全て実行Execute all 256
各候補の真の成否を得て、coverage と ranking failure を同じ候補銀行上で確定する。Ground-truth every outcome and identify coverage and ranking failure on one shared bank.
Wallを選ぶ理由 1Why Wall · 1壁と扉の幾何が既知で、経路が通れるかを線分ごとに明示できる。Known wall geometry makes path feasibility explicit segment by segment.
Wallを選ぶ理由 2Why Wall · 2256候補を毎回実行でき、選ばれなかった候補まで真値で監査できる。All 256 candidates are cheap enough to execute, including unchosen ones.
Wallを選ぶ理由 3Why Wall · 3同側／壁越し、扉移動、狭窄、行動雑音を一要因ずつ制御できる。Topology and shifts can be varied one factor at a time.
したがって本実験は、汎用ロボット性能を誇示するベンチマークではなく、世界モデル計画の故障箇所を同定する診断実験である。This is therefore a diagnostic experiment for locating world-model planning failures, not a claim of general robot performance.
counterfactual_audit/PROTOCOL.md · exact identity: 1 − selected success = generation failure + ranking failure.
QWall課題では何を成功・失敗として観測するのか？What counts as success and failure in the Wall task?
評価は、壁を避けて扉を通れる候補を選べるかを問う。The task asks whether the planner selects a route through the gap.
概念図：壁と扉の評価設定Concept: wall-and-door evaluationdirect route vs. feasible door route
評価の役割
候補の生成と選択を分けて観測する。Role in evaluation
Observe generation and selection separately.
候補の生成と選択を分けて観測する。Role in evaluation
Observe generation and selection separately.
候補選択の概念図。 灰色破線 = 壁を突き抜ける direct 候補、紫実線 = ドア経由の候補。評価では各エピソードに256候補を用意し、全候補を実行して「生成失敗」と「順位付け失敗」を分ける。Candidate-selection concept. Gray dashed = direct candidate crossing the wall; purple solid = feasible door route. The evaluation executes all 256 candidates per episode to separate generator failure from ranking failure.
Q公式Wall実験では、モデルに何を見せ、何を動かし、何を成功と数えるのか？What does the official Wall experiment observe, control, and count as success?
65×65の俯瞰画像から2次元点を30ステップ動かし、終端が目標から4.5未満なら成功とする。A point moves for 30 low-level steps from a 65×65 top-down image; success is terminal distance below 4.5.
OBSERVATIONRGB俯瞰画像Top-down RGB
環境は65×65で描画し、モデル入力時に224×224へリサイズ。開始画像と目標画像を符号化する。Rendered at 65×65, resized to 224×224; start and goal images are encoded.
STATE / ACTION状態 (x,y)、行動 [-1,1]²State (x,y), action [-1,1]²
1低水準行動で位置は 2a だけ移動する。壁に当たると環境側で投影される。One low-level action moves by 2a; wall contact is projected by the environment.
HORIZON6×5×2 の行動テンソル6×5×2 action tensor
6マクロ時刻 × 5低水準行動 × 2軸 = 合計30ステップ。各話に最大256系列。Six macro steps × five 2-D low-level actions = 30 steps; up to 256 sequences per episode.
TASK TOPOLOGY同側／壁越しを半数ずつSame-side / cross-wall
偶数話は同じ側、奇数話は反対側。壁越しでは扉を通る必要がある。Even episodes stay on one side; odd episodes cross and must use the door.
SUCCESS終端距離 < 4.5Terminal distance < 4.5
成功は終端位置だけで判定。衝突の有無は別の監査列として記録する。Success uses terminal position only; collision is logged separately.
FROZEN GEOMETRY壁32、扉30、半幅4Wall 32, door 30, half-gap 4
PCC checker は (32,30,4) に固定。条件変更時もcheckerを変えず、ずれへの耐性を測る。The PCC checker stays at (32,30,4), even under shifted conditions.
wall_gym_wrap.py::DEFAULT_CFG · DotWall._generate_transition · run_official_audit.py::{make_env, execute_candidate}Qチェックポイントは何のファイルで、「公式」「凍結」とは何を意味するのか？What is a checkpoint file, and what do “official” and “frozen” mean?
チェックポイントは、学習で決まった大量の数値「重み」を保存し、学習済みモデルを再現するためのファイルである。A checkpoint stores the learned numerical weights needed to reconstruct a trained model.
SOURCE CODEコードCode
層のつなぎ方と計算手順。いわばモデルの「設計図」。Layer structure and computations: the model blueprint.
＋
CONFIG設定Configuration
入力224×224、384次元、予測器種別などの選択値。Choices such as 224×224 input, 384-D features, and predictor type.
＋
CHECKPOINT学習済み重みLearned weights
訓練で更新された数百万個の数値を保存した .pth.tar。A .pth.tar containing millions of numbers learned during training.
3つを
load_model() で組み合わせると、著者が学習した時点の世界モデルを再現できる。チェックポイント単体は実行プログラムでもデータセットでもない。load_model() combines all three to reproduce the authors' trained world model. A checkpoint alone is neither an executable program nor a dataset.今回読み込んだ2ファイルThe two files loaded here
jepa_wm_wall.pth.tar約202 MiB · SHA-256 8efb0623… · JEPA-WM用≈202 MiB · SHA-256 8efb0623… · for JEPA-WMdino_wm_wall.pth.tar約257 MiB · SHA-256 ff170be5… · DINO-WM用≈257 MiB · SHA-256 ff170be5… · for DINO-WM公式 = 論文著者が公開したファイルを使う、という出所の意味。正しさ・最良性能・認証済みを意味しない。
凍結 = 監査中にこの重みを更新しない、という操作の意味。
採用理由 = 再学習やモデル選択の自由度を排し、公開モデルそのものを同条件で検査できる。
SHA-256 = ダウンロードしたファイルの破損・取り違えを検出する固有の指紋。Official means released by the paper authors; it does not mean certified, correct, or best. Frozen means weights are not updated during the audit. This removes retraining/model-selection freedom and tests the released models themselves. SHA-256 is a fingerprint used to detect a corrupted or wrong download.
凍結 = 監査中にこの重みを更新しない、という操作の意味。
採用理由 = 再学習やモデル選択の自由度を排し、公開モデルそのものを同条件で検査できる。
SHA-256 = ダウンロードしたファイルの破損・取り違えを検出する固有の指紋。Official means released by the paper authors; it does not mean certified, correct, or best. Frozen means weights are not updated during the audit. This removes retraining/model-selection freedom and tests the released models themselves. SHA-256 is a fingerprint used to detect a corrupted or wrong download.
語と学習の境界：「公式チェックポイント」は著者配布物、「公式結果」は本監査の6条件を通過した値で、意味が異なる。世界モデルは再学習せず、200座標ラベルの線形probeと、幾何違反の重み λ だけを検証データで決める。Terms and training boundary: “official checkpoint” means an author release; “official result” means a value passing this audit's six gates. The world models are not retrained; only the 200-label probe and geometry-risk weight λ are fitted on validation data.
ENVIRONMENT.json · load_model() · pinned commit 13cf1d9c
QなぜJEPA-WMとDINO-WMを比較し、何を同じに保つのか？Why compare JEPA-WM with DINO-WM, and what is held constant?
これは「2つのJEPA」比較ではなく、同じ公式Wall基盤で遷移予測器の異なるJEPA-WMとDINO-WM基準を監査する比較である。This is not a comparison of two JEPAs; it audits JEPA-WM and its DINO-WM baseline on the same official Wall stack.
JEPA-WM
DINO-WM 基準baseline
位置づけRole
JEPA-WMs研究で提案されたWall用公式チェックポイント。Released Wall checkpoint for the proposed JEPA-WM.
同じ公式リポジトリが配布するDINO-WM比較基準。JEPAそのものではない。Released DINO-WM comparator from the same repository; not itself a JEPA.
共通の視覚表現Shared vision
凍結DINOv2 ViT-S/14、384次元表現、224×224入力。Frozen DINOv2 ViT-S/14, 384-D representation, 224×224 input.
凍結DINOv2 ViT-S/14、384次元表現、224×224入力。Frozen DINOv2 ViT-S/14, 384-D representation, 224×224 input.
主な実装差Main code difference
pred_type: AdaLN、行動をtoken条件付け、学習時2段rollout。pred_type: AdaLN, token action conditioning, two training rollouts.pred_type: dino_wm、行動をfeature条件付け、学習時1段rollout。pred_type: dino_wm, feature action conditioning, one training rollout.監査で固定Held fixed
同じWall課題、開始・目標、256候補、seed、PCC式、全候補実行。Same Wall task, starts/goals, 256 candidates, seeds, PCC rule, exhaustive execution.
同じWall課題、開始・目標、256候補、seed、PCC式、全候補実行。Same Wall task, starts/goals, 256 candidates, seeds, PCC rule, exhaustive execution.
採用理由 1：公式性Reason 1 · officialWall用に公開された2チェックポイントを改変せず使える。Both released Wall checkpoints can be used unchanged.
採用理由 2：比較可能性Reason 2 · comparabilityタスクと候補銀行を固定し、故障構成がモデル間で再現するかを見られる。Fixed tasks and banks reveal whether failure composition repeats across models.
採用理由 3：依存性の検査Reason 3 · dependencePCCの結論が単一予測器だけの偶然かを検査できる。Tests whether the PCC conclusion is peculiar to one predictor.
注意：両チェックポイントは複数の設計・学習差を同時に含む。したがって、個々の構成要素の因果効果を断定するアブレーションではない。Caveat: the checkpoints differ in several design and training choices; this is not a causal ablation of any single component.
hubconf.py::_MODEL_CONFIGS · released Wall configs and checkpoints at pinned commit 13cf1d9c.Q「制御サロゲート」とは何で、なぜ公式チェックポイントより先に試すのか？What is the controlled surrogate, and why use it first?
制御サロゲートは、PCCの成立可能性を切り分ける「陽性対照」であり、公式結果の代用品ではない。The controlled surrogate is a positive control for PCC's viability—not a substitute for official-checkpoint evidence.
TRUE SYSTEM連続2次元状態Continuous 2-D state
Wall上の真の (x,y) と行動を生成元にする。True Wall (x,y) state and actions form the source system.
→
PROXY LATENT非線形8次元表現Nonlinear 8-D latent
直交混合を加え、座標をそのまま使わない。Orthogonal nonlinear mixing prevents direct coordinate access.
→
PROXY WMRidge遷移予測器Ridge transition model
8,000 offline遷移で、行動条件付きlatent遷移を学習。Learns action-conditioned latent transitions from 8,000 offline samples.
→
SAME PCC IDEA200ラベルprobe + 幾何200-label probe + geometry
想像軌跡を座標へ戻し、壁外横断を選択コストへ加える。Decode imagined paths and add outside-door crossings to selection cost.
代理モデル＋陽性対照Proxy + positive controlサロゲートは、本物を単純化した代理モデル。陽性対照は「この仕組みなら効くはず」と意図的に有利にした確認条件。ここで失敗すればPCC式自体が疑わしく、成功して公式モデルで失敗すれば、画像認識や潜在→座標復号への移行部を疑える。A surrogate is a simplified proxy. A positive control is a deliberately favorable case where the mechanism should work. Failure here indicts the PCC rule; success here but failure on released models points to vision or latent-to-coordinate transfer.
分かったことWhat it established同じ候補生成のまま成功率が 52.14% → 97.57%。PCC式には制御条件下で候補選択を直せる能力がある。With generation fixed, success rose 52.14% → 97.57%; PCC can repair selection under controlled conditions.
分からないことWhat it cannot establish画像入力、公式JEPA-WM/DINO-WM、実ロボットへの転移は証明しない。だから次に公式チェックポイントで同じ式を監査した。It does not establish transfer to visual official models or robots; that is why the same rule is then audited on released checkpoints.
EXPERIMENT_CARD.md · run_experiment.mjs · controlled result only; claim boundary retained.
Q既存の世界モデル計画に対して、何を新しく測るのか？What new quantity do we measure beyond prior world-model planning work?
本研究は予測精度ではなく、“選び損ね”を実行前に診断する。We diagnose mis-selection before execution, rather than prediction accuracy.
世界モデル計画WORLD-MODEL PLANNING
V-JEPA 2-ACとDINO-WMは、想像終端の目標近接度で候補を順位付けする。V-JEPA 2-AC and DINO-WM rank candidates by imagined terminal proximity.
計画可能性の補正PLANNABILITY
RC-aux・FF-JEPA・Value-Guidedは、到達可能性・階層サブゴール・価値整形で潜在距離の弱さを補う。RC-aux, FF-JEPA, and Value-Guided address latent-distance limits through reachability, hierarchy, or value shaping.
実行前診断TEST-TIME DIAGNOSIS
iKCEは運動学的一貫性を測る。本研究は既知の壁幾何との不一致を候補ごとに測り、選択失敗を監査する。iKCE checks kinematic consistency; we check each candidate against known wall geometry and audit selection failure.
本研究の差分: 公式チェックポイント上で「良い候補が無い」と「在るのに選べない」を分け、幾何再順位付けの効果まで対応比較する。Our gap: on official checkpoints, separate “no good candidate” from “good but unchosen,” then test geometric reranking with paired comparisons.
Qどの部品を凍結し、どこだけを介入するのか？Which components are frozen, and where is the intervention applied?
世界モデルを変えず、復号軌道と幾何リスクを選択器へ加える。The world model stays frozen; decoded geometry only changes candidate selection.
観測・目標Observation & goal
65×65で描画し224×224へ拡大したWall画像と目標を入力。Input Wall images rendered at 65×65 and resized to 224×224, plus the goal.
→
公式エンコーダOfficial encoder
JEPA-WM / DINO-WMの公開重みを固定。Freeze the public JEPA-WM / DINO-WM weights.
→
潜在ロールアウトLatent rollout
同一の最大256行動候補を想像する。Imagine the same bank of up to 256 action sequences.
→
線形復号＋PCCLinear probe + PCC
200ラベルで座標復号し、壁違反を選択コスト化。Decode coordinates from 200 labels and score wall violation.
→
全候補監査Exhaustive audit
真値simulatorで全候補を実行し、反実仮想を確定。Execute every candidate in the truth simulator.
FROZEN
encoder・world model・候補bank・checker幾何encoder, world model, candidate bank, checker geometry
encoder・world model・候補bank・checker幾何encoder, world model, candidate bank, checker geometry
LEARNED / VALIDATION ONLY
線形probeとλ（validation 40話、λ∈[0,30]）linear probe and λ (40 validation episodes, λ∈[0,30])
線形probeとλ（validation 40話、λ∈[0,30]）linear probe and λ (40 validation episodes, λ∈[0,30])
AUDIT
実行側だけを条件変更conditions alter execution side only
実行側だけを条件変更conditions alter execution side only
run_official_audit.py: checkpoint load → rollout → probe/PCC score → selector → exhaustive simulator audit.
Q生成と順位付けのどちらが失敗したと、どう判定するのか？How do we tell generator failure from ranking failure?
全256候補を実行すれば、失敗は2成分に一意に分かれる。Executing all 256 candidates splits every failure into exactly two causes.
- 復号する: 凍結モデルの想像潜在から、200ラベルの線形回帰で各時刻の (x, y) を推定する。Decode: use a 200-label linear probe to estimate (x, y) at each imagined step.
- 再順位付けする: 復号軌道が扉の外で壁を横切る最大量をPCCリスクとし、潜在コストへ加える。Rerank: add the maximum outside-gap wall crossing of the decoded path as PCC risk.
- 監査する: 選ばなかった候補も含めて全件を実行し、失敗の所在を答え合わせする。
- 1 − 選択成功率 = 生成失敗 + 順位付け失敗
- 1 − selected success = generator failure + ranking failure
QPCCは候補選択にどう組み込まれているのか？How is PCC inserted into candidate selection?
同じ候補上で潜在コストとPCCを比べ、選択だけの効果を測る。Shared candidates isolate the selection effect of adding PCC to latent cost.
候補バンクCandidate bank
B = {a(1), …, a(256)}, a(j) ∈ [−1, 1]6×5×2マクロ6手 × 低レベル5行動。全手法で共有 (ハッシュ検証)6 macro × 5 low-level actions; shared across methods (hash-verified)
想像ロールアウトImagined rollout
ẑ1:T(j) = fθ(z0, a(j))fθ = 凍結した世界モデル (再学習しない)fθ = frozen world model (never retrained)
プローブ復号Probe decode
x̂t(j) = gφ(ẑt(j))gφ = 200ラベルの線形回帰で潜在から座標へgφ = linear regression (200 labels) from latent to (x, y)
PCCリスクPCC risk
R(j) = maxseg max(0, |ycross − ydoor| − whalf)復号軌道が壁中心線を横切る点がドアからどれだけ外れるか。checker幾何は全条件 matched 値 (32, 30, 4) に固定 — シフトはPCCに知らせないhow far centerline crossings fall outside the door; checker geometry fixed at matched (32, 30, 4) — shifts are unseen by PCC
選択則Selection
ĵ = argminj [ ν(Clat(j)) + λ·ν(R(j)) + 0.25λ·1[R(j)>10−5] ]ν = 5–95%分位正規化を[0,2]へclip。λはグリッド{0…30}から検証40件のみで選択ν = 5–95% quantile normalization clipped to [0,2]; λ picked on 40 validation episodes only
成功・被覆Success / coverage
S(j) = 1[ ‖xT,exec(j) − xgoal‖ < 4.5 ], C = maxj S(j)成功は終端距離のみで判定。衝突は別指標として記録success by terminal distance only; collisions recorded separately
恒等式Identity
1 − E[S(ĵ)] = P(C=0) + P(C=1 ∧ S(ĵ)=0)= 生成失敗 + 順位付け失敗。全候補をシミュレータで実行するので層別に厳密成立= generator + ranking failure; exact per stratum because every candidate is executed
Q何を満たせば「PCCが改善した」と判定するのか？What must hold before we claim PCC improves planning?
5ポイント以上の改善に加え、偶然・多重比較・候補差では説明できない場合だけ「改善」とする。We claim improvement only when a ≥5-point gain cannot be explained by chance, multiple testing, or changed candidates.
1. 対応比較1. Paired design
(Slat, Spcc) → b = #(0→1), c = #(1→0)同一バンク上のペア。b=改善数、c=悪化数 (各モデル×条件 n=500ペア)pairs on the shared bank; b improved, c harmed (n=500 per model×condition)
2. 正確McNemar2. Exact McNemar
p = min(1, 2·P(X ≤ min(b,c))), X ~ Bin(b+c, 1/2)同じ500話の前後を比べ、「改善した話」と「悪化した話」の偏りが偶然かを検定するtests whether improved versus harmed episodes in the same 500 pairs are plausibly chance
3. Holm補正3. Holm correction
p(1) ≤ α/10, p(2) ≤ α/9, … (α = 0.05)10通りを同時に検定すると偶然の当たりが増えるため、合格基準を順に厳しくする。95%CIは5シード単位の再標本化tightens thresholds across 10 tests to control chance hits; 95% CIs resample the five seeds
4. H2実効ゲート4. H2 practical gate
Δ ≥ +0.05 ∧ pHolm ≤ 0.05 ∧ |Δgen| < 10−12 ∧ 順位付け失敗↓ranking failure↓4つ全てを満たして初めて「改善」と主張できる (実行前に凍結した基準)all four must hold before claiming improvement (frozen before the run)
機械claim gateClaim gate
①重みSHA-256照合 ②スモーク分解誤差=0 ③全5シード完走 ④バンク・行動ハッシュ一致 ⑤CI・対検定の生成 ⑥null/harmful含む全数報告(1) weight SHA-256 (2) zero smoke error (3) all 5 seeds (4) bank/action hash identity (5) CIs & tests emitted (6) full reporting incl. null/harmful6条件をすべて通過した値だけが「公式」になるonly values passing all six count as official
Q結果を見た後の調整を、どう防いだのか？How did we prevent post-hoc tuning after seeing outcomes?
モデル・候補・条件・閾値を実行前に固定した。Models, candidates, conditions, and decision thresholds were frozen pre-run.
- モデル: 公式checkpoint jepa_wm_wall / dino_wm_wall (凍結commit 13cf1d9c、ハッシュ検証済)Models: official checkpoints jepa_wm_wall / dino_wm_wall (frozen commit 13cf1d9c, hash-verified)
- 設計: 2モデル×5シード=10シャード、5条件、各条件500ペア、候補バンク256・予算 {16,32,64,128,256}
- 条件: matched / door-center-shift / narrow-door / action-noise / truth-only-obstacle
- Conditions: matched / door-center-shift / narrow-door / action-noise / truth-only-obstacle
- 統計: seed-clusterブートストラップ95%CI (≥2,000 draw・クラスタ=5シードのみ) + 500ペアpooled正確McNemar (Holm補正)。pooled検定のシード依存性は限界として明示。実効ゲート = +0.05利得かつHolm有意Statistics: seed-cluster bootstrap 95% CIs (≥2,000 draws; only 5 seed clusters) + pooled exact McNemar over 500 pairs with Holm. Pooled-test seed dependence is disclosed as a limitation. Practical gate = +0.05 gain AND Holm-significant
- claim gate 6条件 (ハッシュ検証 / スモーク分解誤差0 / 全シード完了 / バンク一致 / CI・対検定生成 / null・harmfulも報告) 通過後の値のみ公式Only values passing the 6-condition claim gate (hash check / zero smoke error / all seeds done / bank identity / CIs & paired tests / report null & harmful) count as official
Q結果を読むために必要な指標と条件は何か？Which metrics and conditions are needed to read the results?
被覆と順位付け失敗を分ければ、成功率の内訳が読める。Separating coverage from ranking failure reveals what success rate hides.
- 候補バンク: 最大256本のホライズン付き行動列の固定集合。全手法・全比較で共有 (行動ハッシュ一致を機械検証)。成功 = 実行後の終端と目標の距離 < 4.5 (距離基準のみ。衝突は別指標として記録・報告)Candidate bank: fixed set of up to 256 horizon-length action sequences, shared across methods (hash-verified). Success = executed terminal-to-goal distance < 4.5 (distance only; collisions recorded and reported separately)
- 被覆 = バンク内に成功候補が≥1本ある割合 / 生成失敗 = 1−被覆 / 順位付け失敗 = 成功候補が在るのに選択候補が失敗する割合 / same-side / cross-wall = 開始と目標が壁の同側か・扉の通過が必要か (各条件250ずつ)Coverage = share of episodes with ≥1 successful bank candidate / generator failure = 1−coverage / ranking failure = successful candidate exists but selection fails / same-side / cross-wall = whether start and goal share the wall side (250 each per condition)
- seed-clusterブートストラップ: シード(5本)を再抽出単位とし、シード内のエピソード構造を保った95%区間 (≥2,000 draw)Seed-cluster bootstrap: seeds (5) are the resampling units, within-seed episode structure retained; 95% intervals with ≥2,000 draws
- 5条件: matched=公開設定どおり / door-center-shift=扉中心を6px移動 (シミュレータ真値側) / narrow-door=扉半幅を4→2に狭窄 / action-noise=実行時の各操作に SD 0.08 のノイズ / truth-only-obstacle=実行側のみ第2の壁 (x=48±3, 穴 y=18±4。モデルにもPCCにも非提示の限界試験)5 conditions: matched = published setup / door-center-shift = door center moved 6px (simulator truth) / narrow-door = door half-width 4→2 / action-noise = SD 0.08 execution noise / truth-only-obstacle = second wall on the execution side only (x=48±3, hole y=18±4; shown to neither model nor PCC — a designed limit test)
Q各仮説は、何をどの閾値で判定するのか？What does each hypothesis test, and against which threshold?
H1–H4は機構・介入・層別差・モデル差を別々に判定する。H1–H4 separately test mechanism, intervention, strata, and model differences.
| 仮説Hyp. | 内容Statement | 凍結閾値 (2026-07-19・実行前)Frozen thresholds (2026-07-19, pre-run) | 判定 (公式)Decision (official) |
|---|---|---|---|
| H1 | 機構シフト: 失敗の主因が条件で移るMechanism shift across conditions | latent選択・予算256で matched の順位付けshare ≥0.50 かつ (truth-only生成share − matched生成share) ≥+0.20。両層とも失敗 n≥50 (チェックポイント毎)。不足= indeterminate / 推定可能な閾値未達= not_supported。集約支持は両チェックポイント必要At latent selection, budget 256: matched ranking-failure share ≥0.50 and (truth-only generator share − matched generator share) ≥+0.20; ≥50 failures per stratum, per checkpoint. Missing = indeterminate; estimable failure = not_supported; aggregate needs both checkpoints | indeterminate (matched失敗 n<50) = 証拠なしindeterminate (n<50) = no evidence |
| H2 | 標的介入: PCC再順位付けが成功率を改善Targeted reranking improves success | 生成失敗差が 1e−12 未満で不変 かつ 順位付け失敗が厳密減少 かつ 利得 ≥+0.05 かつ Holm補正 正確McNemar p≤0.05 (10確証対比)。集約判定は両モデルの matched 条件を用いるGenerator-failure delta strictly below 1e−12 and ranking failure strictly decreases and gain ≥+0.05 and Holm-adjusted exact McNemar p≤0.05 (10 confirmatory contrasts). Aggregate uses matched for both checkpoints | not_supported (全10セル)not_supported (all 10 cells) |
| H3 | 集約交絡: 層別で材料差が出るAggregation confounding under strata | latent選択・予算256。topology 2群と被覆 2群が存在し全群 n≥50。推定可能な成功率/AUROCの max−min gap ≥0.10 で支持。単一クラス層のAUROCはNA可。集約は両チェックポイント必要Latent, budget 256; both topology and both binary-coverage groups exist with n≥50 each; any estimable success/AUROC max−min gap ≥0.10 supports; one-class AUROC may be NA; aggregate needs both checkpoints | supported (両モデル)supported (both models) |
| H4 | モデル別プロファイル: 成功率類似でも故障/誤差が分離Checkpoint-specific profiles | matched・latent・予算256・各モデル n=500。成功|Δ|≤0.05 かつ (生成/順位付け故障率gap ≥0.10 または endpoint/path予測誤差gap ≥0.05)。点閾値診断であり同等性検定ではないMatched, latent, budget 256, n=500/checkpoint. |success gap|≤0.05 AND (generator/ranking failure gap ≥0.10 or endpoint/path mismatch gap ≥0.05). A point-threshold diagnostic, not an equivalence test | supported (誤差軸のみ・故障率軸は未達)supported (mismatch axis only) |
判定契約 (スキーマv3) は公式ラン実行前に凍結。非推定・不足データは自動的に indeterminate = 「証拠なし」扱いで、支持には数えない (fail-closed)。分析器は常に全診断を出力し、都合の悪い条件も抑制しない。The decision contract (schema v3) was frozen before the official run. Non-estimable or under-populated inputs are automatically indeterminate = "no evidence", never counted as support (fail-closed). The analyzer emits all diagnostics and never suppresses unfavorable conditions.
Part 2 結果
選び損ねは大きいが、線形PCCは改善につながらないPart 2 Results
Mis-selection is large, but linear PCC does not improve success
選び損ねは大きいが、線形PCCは改善につながらないPart 2 Results
Mis-selection is large, but linear PCC does not improve success
02
Q計画失敗の最大成分は、候補生成か順位付けか？Is the largest planning failure component generation or ranking?
難しい壁横断では、選択段階で最大58.8%を落としている。In hard wall crossing, mis-selection reaches 58.8%.
- 難条件のcross-wall層 (latent選択・予算256):
- door-center-shift: 生成失敗 0.068 に対し順位付け失敗 0.568–0.588
- narrow-door: 生成失敗 0.204 + 順位付け 0.312–0.316
- door-center-shift: generator 0.068 vs ranking 0.568–0.588
- narrow-door: generator 0.204 + ranking 0.312–0.316
- same-side層は成功 1.000 (truth-only-obstacleを除く) — 失敗は壁横断に幾何的に集中Same-side strata succeed at 1.000 (except truth-only-obstacle) — failures concentrate geometrically at wall crossing
- = これらの層では良い候補は在る。測定されたheadroomの大部分は選択側= In these strata good candidates exist. The larger measured headroom lies in selection
図1: latent選択・予算256。各モデル×条件 n=500 (各topology層250)。積み上げは恒等式に厳密一致 (監査済SVG、FIGURE_MANIFEST掲載)。Fig.1: latent, budget 256; n=500 per model×condition (250 per stratum). Stacks satisfy the identity exactly (audited SVG, in FIGURE_MANIFEST).
Q「成功候補が在るのに選べない」とは、1エピソードでは何が起きているのか？What does “a good candidate exists but is missed” look like in one episode?
想像上は目標へ近い候補が扉の縁で衝突し、同じバンク内の成功候補を潜在コストが下位に置いた。The imagined shortcut collides at the door edge while a successful candidate in the same bank receives a worse latent cost.
潜在コスト最小の候補 #220Latent argmin candidate #220
latent cost 0.0108
terminal distance 15.18
endpoint error 15.74
terminal distance 15.18
endpoint error 15.74
復号軌道は扉を通過して目標へ向かうが、実行軌道は扉の下端で衝突し、その場に留まる。The decoded path passes the door, but execution collides at the lower edge and stalls.
同じバンクの成功候補 #210Successful bank candidate #210
latent cost 0.0159
terminal distance 0.15
endpoint error 1.07
terminal distance 0.15
endpoint error 1.07
潜在コストはわずかに高いが、実行では扉を抜け、終端距離4.5未満を満たす。Its latent cost is slightly worse, yet execution clears the door and meets the 4.5 threshold.
復号した想像軌道decoded imagined path実行軌道executed path ● start ○ goal JEPA / seed 8101 / matched / episode 7 / 256候補JEPA / seed 8101 / matched / episode 7 / 256 candidates
seed_8101_matched_counterfactuals.npz + seed_8101_per_candidate.csv. 説明用の実例であり、代表性は集計スライドで担保する。Illustrative episode; prevalence is established by the aggregate slides.Q扉位置を変えたとき、なぜ固定PCCは失敗を見抜けないのか？Why can a fixed PCC miss failure after the true door moves?
PCCは既知の扉を通るかだけを検査するため、真の扉が6pxずれると「リスク0」の予測でも実行は衝突する。PCC checks only the known door, so a 6-pixel truth shift can make a risk-zero prediction collide in execution.
PCCが見る扉Checker door
中心 y=30、半幅4。復号軌道は x=32 を約 y=28.5 で横切るため、実装の pcc_risk() は0を返す。Center 30, half-width 4. The decoded crossing is near y=28.5, so pcc_risk() returns zero.
実行側の扉Truth door
中心だけを y=36へ移動し、モデルとPCCには知らせない。図の灰色壁と緑の開口が真値。Only truth moves to center 36; model and PCC are unchanged. Gray walls show the true opening.
観測結果Observed outcome
candidate #14は risk 0 だが衝突し、終端距離は 6.58。成功閾値4.5を満たさない。Candidate #14 has risk 0, collides, and ends 6.58 away—outside the 4.5 success threshold.
復号軌道decoded path実行軌道executed path □ PCCが仮定する扉checker opening JEPA / seed 8101 / door-center-shift / episode 9JEPA / seed 8101 / door-center-shift / episode 9
pcc_risk() in run_official_audit.py + official NPZ/CSV. これは「PCCは未知の幾何を発見する器ではない」という採用範囲を具体化する。This concretizes the scope: PCC is not a detector for unknown geometry.
QPCC再順位付けは成功率を改善したのか？Did PCC reranking improve success?
全10条件が+5ptゲートに届かず、H2は支持されない。None of 10 cells cleared +5 points; H2 is not supported.
| model | 条件condition | latent | PCC | Δ | 95% CI | 改善/悪化impr./harmed | Holm p |
|---|---|---|---|---|---|---|---|
| dino | action-noise | 0.930 | 0.910 | −0.020 | [−0.040, −0.002] | 8/18 | 0.680 |
| dino | door-center-shift | 0.682 | 0.662 | −0.020 | [−0.044, 0.006] | 20/30 | 1.000 |
| dino | matched | 0.938 | 0.938 | 0.000 | [−0.014, 0.020] | 6/6 | 1.000 |
| dino | narrow-door | 0.742 | 0.716 | −0.026 | [−0.034, −0.018] | 13/26 | 0.533 |
| dino | truth-only-obstacle | 0.812 | 0.816 | +0.004 | [−0.012, 0.024] | 7/5 | 1.000 |
| jepa | action-noise | 0.932 | 0.926 | −0.006 | [−0.022, 0.008] | 9/12 | 1.000 |
| jepa | door-center-shift | 0.672 | 0.666 | −0.006 | [−0.022, 0.010] | 16/19 | 1.000 |
| jepa | matched | 0.950 | 0.944 | −0.006 | [−0.014, 0.002] | 3/6 | 1.000 |
| jepa | narrow-door | 0.740 | 0.752 | +0.012 | [−0.030, 0.052] | 28/22 | 1.000 |
| jepa | truth-only-obstacle | 0.824 | 0.822 | −0.002 | [−0.014, 0.016] | 6/7 | 1.000 |
各セル n=500ペア。実効ゲート (+0.05利得かつHolm有意) に全セル未到達 → H2 not_supported。CIと改善/悪化カウントが一次証拠 (p値のみで判断しない)。生成失敗は全セルで不変 (generator invariant)。n=500 pairs per cell. No cell reaches the practical gate (+0.05 gain AND Holm-significant) → H2 not_supported. CIs and improved/harmed counts are primary evidence (not p-values alone). Generator failure invariant in all cells.
Q効果量と統計は、どれほどの改善を示したのか？How much improvement do paired effects and statistics show?
効果は−2.6〜+1.2ptに留まり、改善より悪化が多い。Effects stay between −2.6 and +1.2 points, with more harm than gain.
- 効果量は −0.026〜+0.012 に分布 — 7条件で負・2条件で正・1条件でゼロEffects span −0.026 to +0.012 — negative in 7 cells, positive in 2, zero in 1
- 未補正CIが0を下回るのは dino の action-noise と narrow-door のみ (= むしろ悪化方向)Only dino action-noise and narrow-door have unadjusted CIs below zero (i.e., harmful direction)
- Holm補正 p はすべて 0.533〜1.000 で非有意All Holm-adjusted p-values are 0.533–1.000 (non-significant)
- この凍結された線形PCC実装は、測定されたheadroomを有意な利得に変換できなかった (線形プローブ一般の限界とは主張しない)This frozen linear-PCC reranker did not convert the measured headroom into a significant gain (no claim about linear probes in general)
Q集約成功率と候補数だけを見てよいのか？Are aggregate success and candidate count sufficient?
集約値は壁横断の弱さを隠し、被覆は16候補で95%に達する。Aggregates hide wall-crossing weakness; coverage is already 95% at 16.
- H3 supported (両モデル・閾値 gap≥0.10):
- topology成功率gap 0.305 / 0.310、AUROC gap 0.367 / 0.437
- 候補被覆の成功率gap 0.871 / 0.868 (被覆AUROC gapは単一クラスのためNA)
- Topology success gap 0.305 / 0.310, AUROC gap 0.367 / 0.437
- Coverage success gap 0.871 / 0.868 (coverage AUROC gap is NA: single-class stratum)
- 集約成功率は cross-wall 単体の性能より高く見える (層混合の効果。一般的な過大評価の証明ではない)Aggregate success reads higher than the cross-wall estimand (a mixing effect; not proof of generic overestimation)
- matched の候補被覆: 予算16で95.0% → 256で97.8% (ほぼ天井)。良い候補は低予算でも既に在るMatched coverage: 95.0% at budget 16 → 97.8% at 256 (near ceiling). Good candidates already exist at low budget
QH1とH4から、何を主張できるのか？What can H1 and H4 support?
予測誤差差は確認できたが、機構シフトH1は判定不能だった。Prediction-error mismatch is supported; mechanism shift remains indeterminate.
H4 supportedH4 SUPPORTED
成功率は近い (jepa 0.950 / dino 0.938) 一方、終端誤差差0.366・経路誤差差0.187で、予測誤差プロファイルは一致しない。Success is similar (0.950 vs 0.938), but endpoint and path error differ by 0.366 and 0.187.
H1 indeterminateH1 INDETERMINATE
matchedの失敗数が情報ゲート50件に届かない (jepa 25 / dino 31)。機構シフトの有無は追加データで判定する。Matched failures miss the 50-case information gate (25 / 31); more data are needed to judge mechanism shift.
この発表の主張範囲: 公式2モデルのWall評価で、故障分解・線形PCCの負結果・層別異質性・予測誤差差を報告する。Claim scope: on two official Wall checkpoints, report failure decomposition, the linear-PCC null result, stratified heterogeneity, and prediction-error mismatch.
Part 3 考察と限界
診断の成功と介入の不発を分け、主張範囲を定めるPart 3 Discussion & Limitations
Separate diagnosis from intervention and bound the claim
診断の成功と介入の不発を分け、主張範囲を定めるPart 3 Discussion & Limitations
Separate diagnosis from intervention and bound the claim
03
Q代理モデルで効いたPCCは、公開モデルでも効くのか？Does PCC transfer from the surrogate to public checkpoints?
サロゲートの45.4pt改善は、公式モデルでは再現しなかった。The surrogate's 45.4-point gain did not reproduce on official models.
制御サロゲートControlled surrogate
公式チェックポイントOfficial checkpoints
意味Meaning
真の状態を直接使う小さな代理系。世界モデルの表現誤差と座標プローブの誤差を取り除く。A small proxy that reads true state, removing world-model and probe errors.
公開されたJEPA-WM / DINO-WMの学習済み重み。再学習せず凍結して使う実評価対象。Released JEPA-WM / DINO-WM weights, frozen and used without retraining.
採用理由Why use it
PCCの数式自体に、正しい状態が与えられれば選択を改善する能力があるかを単独で確かめるため。To test whether the PCC rule can improve selection when given correct state.
提案が都合のよい代理表現だけでなく、第三者が入手できる実際の表現へ移るかを確かめるため。To test transfer to real, publicly obtainable representations.
言える範囲Claim scope
機構として可能か。外的妥当性や公開モデルでの効果は主張しない。Mechanistic possibility only; no transfer claim.
公開重み・線形プローブ・本Wall設定で実際に効くか。Actual effect for public weights, linear probe, and this Wall setup.
制御サロゲートSurrogate
52.14% → 97.57%
52.14% → 97.57%
公式10条件10 official cells
−2.6〜+1.2pt
−2.6〜+1.2pt
Qこの結果はどこまで言えて、どこから言えないのか？How far do these results generalize?
結論はWallシミュレーションと線形プローブに限定される。The conclusion is limited to Wall simulation and this linear probe.
- 構成概念PCCは「既知幾何との実行前照合」— 未知の制約は原理的に発見できない (設計上の限界)。未知制約下の挙動は本評価の範囲外ConstructPCC checks consistency with known geometry — unknown constraints are undiscoverable by design; behavior under them is out of scope
- 統計効果量・区間・改善/悪化カウントを一次証拠とし、p値のみで実務的重要性を判断しない。null・harmful条件も除外せず全報告StatisticalEffect sizes, CIs and improved/harmed counts are primary; practical importance is never inferred from p-values alone. Null and harmful conditions are all reported
- 外的単一環境 (Wall)・シミュレーション限定・線形プローブのみ。実機・画像入力・複数環境・強baselineは対象外 — arXiv級一般化には各ゲートの通過が必要ExternalSingle environment (Wall), simulation-only, linear probe only. Real robots, image inputs, multi-environment and strong baselines are out of scope — arXiv-level generalization requires those gates
- 解釈順位付け失敗が大きいことは改善可能な場所の診断であり、任意の再順位付け器が成功する保証ではない。本実験が示したのは線形PCCの効果までInterpretationLarge ranking failure diagnoses where headroom exists; it does not guarantee that any reranker will work. This experiment identifies the effect of this linear PCC only
Qこの研究で、何が確定したのか？What has this study established?
診断は選び損ねを定量化したが、線形PCCは埋められなかった。The audit quantifies mis-selection, but linear PCC does not close it.
診断DIAGNOSIS
難しいcross-wall層では、良い候補が無いことより、在る候補を選べないことが最大の失敗成分だった。In hard cross-wall strata, failing to select an available good candidate is the largest component.
介入INTERVENTION
線形PCCはそのheadroomを成功率へ変換できず、H2はnot supportedとなった。Linear PCC does not convert that headroom into success; H2 is not supported.
次の判断NEXT DECISION
選択だけで回収できる余地が最大の層へ非線形リランカを当て、複数環境と強い比較手法で診断の再現性を確かめる。Target the largest-headroom stratum with a nonlinear reranker, then test diagnosis across environments and stronger baselines.
Part 4 今後の計画
故障診断を発表の主題にし、次の介入を検証するPart 4 Roadmap
Lead with diagnosis, then test a stronger intervention
故障診断を発表の主題にし、次の介入を検証するPart 4 Roadmap
Lead with diagnosis, then test a stronger intervention
04
Qこの結果を学会発表では、どう構成するのか？How should SI2026 frame these results?
SI2026ではPCC改善ではなく、故障分解による診断を主題にする。SI2026 should lead with diagnosis by failure decomposition, not PCC gain.
01 / PROBLEM
成功率だけでは故障箇所が分からないSuccess rate hides the failure location
候補が無いのか、在るのに選べないのかを分ける必要がある。We must separate no-good-candidate from good-but-unchosen.
02 / METHOD
全候補の反実仮想監査で分解するCounterfactual audit of every candidate
公式2モデル・5条件・各500ペアで、生成と順位付けを同じ候補上で比較する。Compare generation and ranking on shared banks across two models and five conditions.
03 / RESULT
難条件では順位付けが最大成分Ranking dominates hard conditions
一方、線形PCCの効果は−2.6〜+1.2ptで改善ゲートに届かない。Linear PCC stays at −2.6 to +1.2 points and misses the improvement gate.
04 / SCOPE
診断を主張し、介入の負結果も報告するLead with diagnosis; retain the null result
Wallシミュレーションと線形PCCの範囲を明示し、改善を過大に主張しない。State the Wall/linear-PCC scope and avoid overstating improvement.
発表タイトル案:Proposed title: 候補生成と順位付けの故障分解による潜在世界モデルMPCの実行前診断評価Pre-execution diagnosis of latent world-model MPC by decomposing generation and ranking failures
Q発表可能な研究成果にする次の工程は何か？What work turns this result into a presentation-ready contribution?
主張固定→原稿→再現資料→発表の順で12月までに仕上げる。Freeze claims, write, package reproducibility, then prepare the December talk.
Q線形PCCの次に、何をどの判定基準で試すのか？What intervention comes next, and how will it be gated?
選び損ねが最大の条件へ、潜在特徴も使う非線形の衝突リスク推定を適用する。The next test targets the largest headroom with nonlinear collision risk.
01 / TARGET
最大headroom層Largest headroom
door-center-shiftのcross-wall。順位付け失敗はdino 56.8%、jepa 58.8% (各n=250)。door-center-shift cross-wall: ranking failure is 56.8% / 58.8% (n=250 each).
02 / MODEL
非線形の衝突リスクNonlinear collision risk
復号軌道と潜在特徴を入力し、線形PCCが拾えなかった衝突信号を学習する。Use decoded trajectories plus latent features to learn signals missed by linear PCC.
03 / TEST
同じ候補・同じゲートSame bank, same gate
検証データだけで学習し、+5pt・Holm有意・生成不変・順位付け減少を実行前に固定する。Train on validation only; pre-freeze +5pt, Holm, generation invariance, and ranking reduction.
成功条件は、選択だけで回収できる余地（headroom）が最大の層を狙う介入が、+5pt・Holm有意・生成不変・順位付け失敗減少の凍結ゲートを同時に通ること。Success means an intervention targeting the stratum with the largest selection-recoverable headroom clears all frozen gates: +5 points, Holm significance, unchanged generation, and fewer ranking failures.
Q第三者は、どこから結果と実装を追えるのか？Where can a third party trace the results and implementation?
全数値は凍結結果・公開runner・ハッシュ照合から再現できる。Frozen results, the public runner, and hashes make every number traceable.
01 / FREEZEcommitと重みを固定Freeze code and weights
commit 13cf1d9cと公式checkpointのSHA-256を照合。Pin commit 13cf1d9c and verify official checkpoint hashes.
02 / BANK候補を全手法で共有Share candidate banks
行動ハッシュを一致させ、潜在選択とPCCを対応比較。Match action hashes for paired latent-vs-PCC comparisons.
03 / AUDIT128万候補を実行Execute 1.28M candidates
2モデル×5条件×500ペア×256候補を全件答え合わせ。Ground-truth 2×5×500×256 candidates.
04 / CLAIMゲート通過後に数値化Publish after claim gates
分解恒等式・全シード・CI・対応検定を機械検証。Verify decomposition, seeds, CIs, and paired tests mechanically.