$\Psi$-0.6：統一された視覚言語世界モデルにおける思考のストリームの適応的生成
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、物理的世界について推論を行う。この柔軟性を実現することは、AI分野における大きな未解決の課題である。現在の多くのシステムでは、各機能が専用のモデルごとに分離されており、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という点で制限が生じている。私たちは、$\Psi$-0.6を提案する。これは、視覚と言語を統合した世界モデルであり、思考のストリームと呼ぶ共有された推論プロセスの中で、知覚、言語、幾何学、シミュレーションを適応的に組み合わせる。これらのストリームは、画像、テキスト、および幾何学や運動の明示的な表現を相互に交錯させ、すべてを共有されたトークンインターフェースを通じてモデルが生成・解釈できる。$\Psi$-0.6は、多視点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凌駕する。