マイクロソフトが「World-R1」発表：強化学習で動画生成に3D一貫性を付与

World-R1は、テキスト動画生成モデルに3D幾何学的な空間認識を組み込むためにマイクロソフトが発表したフレームワークです。

現在の動画生成モデルは美しい映像を作れる一方で、カメラが動くと物体の形が歪んだり、空間の奥行きが破綻したりする欠点がありました。World-R1は、モデル構造を根本から作り直すことなく、この空間破綻を解消します。

何ができるのか

従来の3D空間認識の手法は、モデル構造そのものを改変して3Dモジュールを組み込むやり方が主流でした。

しかし、この方法には大量の3Dアノテーションデータが必要で、計算コストが膨大になりスケールしにくいという壁がありました。

World-R1はアプローチを変え、ベースとなる動画モデルの構造には一切手を加えません。大規模な3Dデータセットにも頼らず、強化学習の報酬信号を通じて3Dの制約をモデルに学習させます。ベースモデルにはオープンソースのWan2.1が採用されています。

仕組みと特徴

核となるのは、3D空間の一貫性を強化学習のフィードバックとしてモデルに与える仕組みです。

研究チームは世界シミュレーション専用のテキストデータセットを用意し、Flow-GRPOと呼ばれる最適化手法を採用しました。

生成プロセスでは、事前学習済みの3D基盤モデルと視覚言語モデル（VLM）が評価役となり、構造の整合性に応じてフィードバックを送ります。

さらに、3D形状を固持するあまり動画が静止画のように硬直するのを防ぐため、周期的デカップリング訓練戦略を導入しました。これにより、剛体の幾何学的一貫性とシーン本来の滑らかな動きを両立させています。

入手先と使い方

世界モデルや3D動画制御を研究している方は、arXivで公開された論文（2604.24764v1）から詳細を確認できます。

Wan2.1をベースにしているため、オープンな動画基盤モデルを実用的な空間シミュレータへと進化させたい開発者にとって実用的なリファレンスとなります。

なぜ重要か

World-R1の最大の強みは、3D空間の一貫性をアーキテクチャの再設計ではなく後段の強化学習によるアライメント問題として解いた点にあります。

ロボティクス、ゲーム制作、世界シミュレーションの研究者にとって、既存の動画生成モデルをそのまま活用しながら空間破綻を抑えられるため、計算コストと開発障壁が劇的に下がります。強化学習がテキストモデルの推論力を伸ばしたように、動画モデルの物理認識を高める有力なアプローチになると見ています。