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?
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.
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.
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.
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.
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.
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.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.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.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%.
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?
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.
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.
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.
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.
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.
PCC = Probe-based Constraint Consistency（プローブに基づく制約整合性）。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。PCC = Probe-based Constraint Consistency. Baseline selects imagined goal proximity. PCC adds wall/door risk and changes ranking, not generation.
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.
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.
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.
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?
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.
counterfactual_audit/PROTOCOL.md · exact identity: 1 − selected success = generation failure + ranking failure.
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.
候補の生成と選択を分けて観測する。Role in evaluation
Observe generation and selection separately.
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.
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.
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.
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.
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.
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.
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}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.
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.
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.
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.
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.
「未来をピクセルで作る」失敗を、対照・非対照SSLを経て「潜在空間で予測する」へ辿り着いた系譜。A lineage from "generate the future in pixels" through contrastive and non-contrastive SSL to "predict in latent space."
research/glossary.md（JEPA=非生成）.LeCunの構想を、Assran・Bardesら Meta FAIR のチームが I-JEPA→V-JEPA→行動条件へ実装した。LeCun's proposal, implemented by Assran, Bardes and the Meta FAIR team from I-JEPA to V-JEPA to action conditioning.
.avatar 内の <img> に差し込めます。合成した“それらしい”顔は使いません（本人の誤表示になるため）。On photos: real researchers' photos are not auto-embedded (copyright/licensing). Drop a properly licensed image into each card's .avatar <img>. No synthetic look-alike faces are used, to avoid misrepresenting real people.Meta FAIRが公開したjepa-wms公式チェックポイントを、再学習せず計画・評価だけ検査する（資源と再現性の点で妥当）。We audit Meta FAIR's released jepa-wms checkpoint without retraining—defensible on reproducibility and compute grounds.
JEPAの流れJEPA lineage
I-JEPA→V-JEPA→V-JEPA 2 / 2-AC（Assran, Bardes, …, LeCun; arXiv:2506.09985）の行動条件付き潜在予測系。I-JEPA→V-JEPA→V-JEPA 2 / 2-AC (Assran, Bardes, …, LeCun; arXiv:2506.09985), the action-conditioned latent-prediction line.
JEPA-WM = 文献[3]JEPA-WM = ref [3]
B. Terver, T.-Y. Yang, J. Ponce, A. Bardes, Y. LeCun,「What Drives Success in Physical Planning with JE World Models?」arXiv:2512.24497、Meta FAIR、facebookresearch/jepa-wms。B. Terver, T.-Y. Yang, J. Ponce, A. Bardes, Y. LeCun, "What Drives Success in Physical Planning with JE World Models?" arXiv:2512.24497, Meta FAIR, facebookresearch/jepa-wms.
DINO-WM = 文献[2]DINO-WM = ref [2]
G. Zhou, H. Pan, Y. LeCun, L. Pinto「DINO-WM」arXiv:2411.04983（2024）。同じリポジトリが配布する比較基準で、JEPAそのものではない。G. Zhou, H. Pan, Y. LeCun, L. Pinto, "DINO-WM", arXiv:2411.04983 (2024). A comparator released by the same repo; not itself a JEPA.
両モデルとWall/PointMaze評価環境が公式公開。改変せず同条件で検査できる。Both models and the Wall/PointMaze envs are officially released; usable unchanged.
JEPA-WMの再学習は16〜32×H100が必要で修士資源では不可。公開重みなら計画・評価研究がGPU1枚で可能。Retraining JEPA-WM needs 16–32×H100 (infeasible); public weights let planner/eval research run on one GPU.
本研究の狙いは公開モデルの計画失敗の同定。モデル自作は目的でない。The aim is to locate planning failures in the released model, not to build a new one.
paper_si2026_manuscript_v3.md §2 / refs [2][3] · research/experiments/ENV.md（「JEPA-WMs再学習は16〜32×H100…checkpoint公開のため評価・プランナ研究はGPU1枚で可」）· pinned commit 13cf1d9c.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.
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.hubconf.py::_MODEL_CONFIGS · released Wall configs and checkpoints at pinned commit 13cf1d9c.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.
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.
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.
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.
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.
EXPERIMENT_CARD.md · run_experiment.mjs · controlled result only; claim boundary retained.
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.
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.
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.
JEPA-WM / DINO-WMの公開重みを固定。Freeze the public JEPA-WM / DINO-WM weights.
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.
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.
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.
encoder・world model・候補bank・checker幾何encoder, world model, candidate bank, checker geometry
線形probeとλ（validation 40話、λ∈[0,30]）linear probe and λ (40 validation episodes, λ∈[0,30])
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.候補計画(CEM/Dreamer/TD-MPC)・線形プローブ(Alain&Bengio)・反実仮想(OPEの対比)に接地する。Anchored to sampling-based planning, linear probing, and off-policy evaluation (as contrast).
終端近接での候補評価Score candidates by proximity
CEM/MPPIを学習済み潜在で回すPlaNet(arXiv:1811.04551)・MPPI(ICRA2016)、想像ロールアウト＋終端価値のDreamerV3・TD-MPC2(2310.16828)の系譜。本研究は計画器を変えず選択段を診断。PlaNet (CEM), MPPI, DreamerV3, TD-MPC2. We keep the planner and diagnose its selection stage.
凍結表現から状態を復号Decode state from frozen features
凍結中間表現の線形復号可能性を測る古典的手法(Alain & Bengio, arXiv:1610.01644)。本研究は分類ではなく(x,y)回帰に用い、既知幾何との照合入力にのみ使う。Linear-probe decodability (Alain & Bengio). Used here as (x,y) regression, only as checker input.
実行しなかった選択の評価Evaluate an unexecuted choice
OPE(Precup2000 / Thomas&Brunskill 2016)は重要度重みで推定する。本研究は全256候補を実行済みで厳密。OPEは対比であって道具ではない。OPE estimates via importance weights; we execute all 256 so it is exact. OPE is the contrast, not the tool.
計量(VIScore)・学習型再順位(FACT)・終端コスト批判に対し、厳密な故障分解＋情報天井が差分。Against a metric, a trained reranker, and a terminal-cost critique, our delta is exact failure decomposition plus an information ceiling.
潜在世界モデルの計画関連品質を測る計量。差分：本研究は計量でなく、実行済み共有バンク上の厳密な故障分解恒等式と情報天井を与える。→最優先で本文精読。A quality metric. Delta: we give an exact decomposition identity + ceiling, not a metric. Highest-priority read.
失敗データで学習する再順位付け。差分：本研究は凍結重みを保つ事後診断で介入点が異なる。Learns from failure data. Delta: we stay post-hoc on frozen weights.
「潜在の目標近さ≠実行可能」の問題意識を共有。差分：本研究は生成/順位付けを行単位で分離。Shares the "proximity≠feasibility" concern. Delta: we split generation vs ranking per row.
conformal＋robust MPC(SLS² 2606.15594)や学習済み衝突リスク(CRPL 2607.00288)はより強い安全枠組み。本研究は競合せず軽量診断に限定。Stronger safety frameworks; we do not compete—lightweight diagnosis only.
closed-loop評価の解釈依存性を示す先行診断。差分：本研究は単一実現バンクで全候補実行→厳密帰属。Prior diagnosis of interpretation dependence. Delta: single realized bank, all executed, exact attribution.
実行前特徴(終端コスト+PCC)ではどの再順位付け器でも修復不能を確認(次スライド)。計量・学習型に対する強い差分。No reranker on pre-exec features can repair it (next slide)—a strong delta vs metric/trained work.
LITERATURE_POSITIONING_ADDENDUM_2026-08-18.md · 競合3件は papers/INDEX.md で abstract済(本文精読TODO)。最終稿で確定。
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
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.
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.
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
GPUを使わずMini PCのCPUだけで、128万候補の反実仮想を約5〜7日かけて実行した。On a GPU-free Mini PC CPU alone, the 1.28M-candidate counterfactual audit took about 5–7 days.
Mini PC（GMKtec M7）Mini PC (GMKtec M7)
AMD Ryzen 7 PRO 6850H、8物理/16論理コア、host RAM約12.8 GiB（Docker Linux上限約8.7 GiB）、GPUなし。CPUコンテナ4本並列でWall→PointMazeを順に実行。AMD Ryzen 7 PRO 6850H, 8C/16T, ~12.8 GiB host RAM (Docker limit ~8.7 GiB), no GPU. Four concurrent CPU containers ran Wall then PointMaze.
CPUのみ・約5〜7日CPU-only · ~5–7 days
test 1話 ≈ 12分、dinoはjepaの約3.5倍遅い。10 model-seedシャードのWallフルランは2026-08-01完走。単一の確定総時間は記録されず、進捗投影値。≈12 min/test episode; dino ≈3.5× slower than jepa. The 10-shard Wall full run completed 2026-08-01. No single hard total is logged; these are the project's own projections.
4,147万ステップ41.47M steps
1,382,400候補評価・41,472,000低水準ステップ・1,280,000候補行・100,000話行を凍結設計で実行。1,382,400 candidate evals, 41,472,000 low-level steps, 1,280,000 candidate rows, 100,000 episode rows, all under a frozen design.
research/experiments/ENV.md · REPRODUCIBILITY_GUIDE.md（Machine & scheduling boundary）· counterfactual_audit/HOURLY_LOG.md · docs/GPU-WORKSTATION.md（LabIndi）.
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)
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) |
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
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
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
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
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.
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.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.
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.
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.
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.
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.
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 |
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)
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
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.
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.
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.
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
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.
52.14% → 97.57%
−2.6〜+1.2pt
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
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.
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.
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.
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.
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
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.
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.
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.
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.
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.
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.
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.
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).
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.
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.
cross-wallで小さな改善は出たが、事前登録ゲートには届かず（暫定・成果物はLabIndi上）。It produced a small cross-wall gain but did not clear the pre-registered gate (provisional; artifacts still on LabIndi).
LabIndiで学習型v2Learned v2 on LabIndi
LabIndi（RTX 2070 GPU）で 8/12–8/15 に設計→10シャード→確認分析。対象は最大headroom層 door-center-shift の cross-wall。潜在特徴＋復号軌道を入力する学習型re-ranker。On LabIndi (RTX 2070 GPU), 8/12–8/15: design→10 shards→confirmatory analysis on the largest-headroom stratum (door-center-shift, cross-wall). A learned re-ranker over latent features + decoded trajectory.
集約 +1.2〜1.3pt+1.2–1.3 pt overall
「有意だが小さい」。改善はcross-wall で約+2.5ptに集中。ただし当該層の順位付けheadroomは約0.57で、その大半は依然回収できていない。"Significant but small." The gain concentrates in cross-wall (~+2.5 pt), but ~0.57 ranking headroom in that stratum remains largely unrecovered.
凍結ゲート未達Gate not met
事前登録の Δ≥0.05 かつ Holm p≤0.05 を満たさない。線形PCCの負結果と同様、「改善」とは主張しない。次工程は残余headroomの帰属先を特定する介入。Fails the pre-registered Δ≥0.05 AND Holm p≤0.05. Like the linear-PCC null, no "improvement" is claimed; next targets which mechanism owns the residual headroom.
research/nippo.md（2026-08-15）· 対象層は本デッキ「次の介入」スライドの door-center-shift cross-wall（順位付け失敗 dino 56.8% / jepa 58.8%）.実行前特徴(終端コスト＋PCC)では、どんな再順位付け器でも順位付け失敗を修復できない（R2＝情報天井）。No reranker on pre-execution features can repair ranking failure (R2 = information ceiling).
凍結バンクでオフライン再選択Offline re-selection on frozen bank
公式runのper_candidate.csvは全256候補のtrue_successを持つ。だから別の選択規則を環境を1歩も進めずに厳密評価できる（推定でなく反実仮想実行）。The official per_candidate.csv holds true_success for all 256, so any selection rule is evaluated exactly with zero new steps.
C1でも+5pt未達Even C1 misses +5pt
test正解でその場フィットした非展開の天井推定器(勾配ブースト木)C1でさえ、10セルのどこでも+0.05に届かない（door-shift: dino+0.020 / jepa−0.004）。学習型M2–M4も利得・害＜閾値。C1 (GBT fit on test labels, non-deployable) reaches +0.05 in no cell; learned M2–M4 show gain/harm below gate.
R2＝情報の天井R2 = information ceiling
主張が「線形PCCは効かない」→「凍結潜在の実行前特徴に、選び損ねを直す情報が無い」へ格上げ。線形だからではなく、情報そのものの限界。Upgrades the claim from "linear PCC fails" to "the frozen pre-execution features lack the information to fix mis-selection."
research/experiments/2026-08-14_pcc-rerank-ceiling/（事前登録2026-08-14・結果コミット済み, rerank_ceiling_metrics.json: verdict R2_information_ceiling, c1_reaches_gate=false）.「予測できるが制御に無関係な外乱が潜在容量を奪うか」を、報酬なしのペア介入で検証する。Whether a predictable-but-control-irrelevant nuisance captures latent capacity, tested by reward-free paired intervention.
PCC-JEPAの「偽陰性（良候補を選び損ね）」に対し、これは「偽陽性（予測可能だが無関係な特徴を保持）」を検証する補完実験。2026-07-26開始。Complement to PCC-JEPA's false-negative framing—this tests the false-positive failure (retaining predictable-but-irrelevant features). Started 2026-07-26.
容量制限付き行動条件JEPAは、行動と相関するが力学・報酬に因果のない信号に潜在容量を割くか。報酬ラベルなしでそれを除去しつつ行動由来の物理力学を保てるか。Does a capacity-limited action-conditioned JEPA spend latent capacity on an action-correlated signal with no causal effect on dynamics/reward—and can paired intervention remove it without reward labels while preserving action-sensitive physics?
状態x_t・行動a_t∈[−1,1]・8次元nuisance d_t（力学/報酬から除外）。grid ρ∈{0,.5,.9}×β∈{0,.5,.9}×容量k∈{4,8,16}、4手法+state-only oracle、報酬なしペア介入loss、ID＋相関反転OOD。RTX 2060安全(≤4.5GB)。State x_t, action a_t∈[−1,1], 8-D nuisance d_t (excluded from physics/reward). Grids ρ×β×capacity k, four methods + state-only oracle, reward-free paired-intervention loss, in-distribution + correlation-reversal OOD, RTX-2060-safe (≤4.5 GB).
H1 高ρ高βセルはnuisance占有が高く反転OODが悪い。H2 PairInv-JEPAはnuisance占有を下げる。H3 PairInv-Delta-JEPAはOODの物理状態保持を改善（ID性能低下は≤0.05）。H4 Delta-JEPAは行動感度を上げるが、nuisanceが行動相関だと占有は必ずしも下がらない。H1 high-ρ/β cell: more nuisance occupancy, worse reversal-OOD. H2 PairInv-JEPA lowers nuisance occupancy. H3 PairInv-Delta-JEPA improves OOD physical-state retention (ID drop ≤0.05). H4 Delta-JEPA raises action sensitivity but may not lower occupancy when nuisance is action-correlated.
research/experiments/2026-07-26_interventional-action-jepa/{README.md, PREREGISTRATION.md, progress/LOG.md} · 判定則: H3は「少なくとも1つのOOD便益が有意 かつ 5%非劣性」を満たすときのみ支持（probe単独の勝ちは制御性能の勝ちと呼ばない）.
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.
commit 13cf1d9cと公式checkpointのSHA-256を照合。Pin commit 13cf1d9c and verify official checkpoint hashes.
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.
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.
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.