$\Psi$-0.6：統合された視覚言語世界モデルにおける適応型思考ストリーム

arXiv:2610.32177v1 発表タイプ：新規 要旨：人間は、問題が進行するにつれて、さまざまな推論形式を柔軟に組み合わせることで物理世界について推論を行う。この柔軟性の実現は、AI分野における大きな未解決課題である。多くの場合、各機能は専用のモデルごとに分離されたままであり、それらをどのように組み合わせてタスクに共同で適応させるかが制限されている。私たちは、思考の流れと呼ぶ共有された推論プロセスのなかで、知覚・言語・幾何学・シミュレーションを適応的に統合する統一的な視覚言語型ワールドモデル「Ψ-0.6」を提案する。これらの思考の流れは、画像・テキスト・幾何学や運動の明示的表現を交互に組み込み、いずれも共通のトークンインターフェースを通じてモデルが生成および解釈できる。Ψ-0.6は、マルチビュー空間に関するゼロショット性能において、最先端のオープンウェイトモデルを上回る。