身体性動画生成を評価するMLLM審判「RoboJudge」

動画生成モデルを身体性ワールドモデルの基盤にするには、生成された動作が物理的に妥当でタスク指示に忠実である必要がある。研究チームは、物理的妥当性と指示整合性の2軸でMLLMの審判能力を測るRoboJudge-Benchを作った。8種のコーパスと10種の動画生成器による人手注釈付き800本を対象とし、汎用MLLMは物理面で人間との一致が低いことが分かった。そこで1.2万本・2.5万件のスコアで構成する学習データを作り、教師あり学習と強化学習で9BのRoboJudge-9Bを訓練した。ピアソン相関は0.719で、最良の商用比較対象Gemini-3.7-Flashを0.089上回った。