MirroSは、物理的なシーンをピクセルや潜在変数ではなく実行可能なコードとして表現するパラダイムとモデル群であるCode-as-Worldをリリースした。このシステムはエージェント型ループを用いて実写映像からこれらの表現を復元し、正確な物理ラベル付きのトレーニングデータを生成することを可能にする。

  • MirroSはQwen3.5モデルからファインチューニングされたCode-as-World-VL-4BとCode-as-World-VL-9Bの2つのチェックポイントをApache 2.0ライセンスでリリースした。
  • エージェント型ループは、実行可能な世界表現を復元するために、提案、インスタンス化、実行、レンダリング、検証のステップを最大5ラウンド行う。
  • 検証済みの世界はトレーニングの教師信号として機能し、9BモデルはQuantiPhy-validationで55.4 MRAを獲得し、Gemini-3.1 Flashの54.8を上回った。
  • このアプローチはピクセルをシーンの存在論ではなく証拠として扱い、MuJoCoでの実行のためにシーンをscene.jsonファイルにコンパイルする。

この手法は、実写動画が欠く正確な物理ラベルを提供し、モデルが教師ありファインチューニングと強化学習を通じて質量、接触、重力ダイナミクスを正確に学習することを可能にする。