心的世界モデリング（MWM）とは何か、どう機能するか？

MWMはAI世界モデルを拡張し、信念、注意、目標、意図、感情、規範、社会関係といった心的変数を物理対象・状態と並行して追跡する。すべての行動は物理的担い手（話す、指差す、掴む）と心的ペイロード（慰める、欺く、拒否する）に分割される。同じしぐさであっても意図に応じて異なる意味を持ちうることをシステムが理解できるようになる。

MWMは標準的な言語モデル回答より大幅に優れているか？

Menti-Benchデータセットで、言語モデルからの直接回答は63.3F1を獲得した。自己一貫性（6回質問し最も多い回答を選択）で77.9に改善した。フルMWMパイプラインは87.9に到達し、同じプロトコルでの人間スコアは98.5だった。

このフレームワークでAIシステムはどこでまだ苦労しているか？

人間パフォーマンスへの残存ギャップの約80パーセントは状態遷移予測の誤りから生じている。すなわち、行動が起きたとき心的・物理状態がいかに変化するかをシミュレートする能力だ。正確な状態遷移を提供するだけで3.5ポイントF1が加算され、個別パイプラインステージ修正の最大ゲインとなる。

大規模言語モデルTHE DECODER2026年8月22日2026年8月22日 19:01

信念を無視した世界モデルは行動予測に失敗、研究が指摘

LINEで送る

3つのポイント

何が起きたか
研究者らは心的世界モデリング（MWM）を開発した。AI世界モデルを拡張し、信念や注意、目標、感情といった心的変数を物理状態と並行して追跡するフレームワークだ。訓練不要な実装MENTIS を構築し、GPT-5.6-Sol、GPT-4.1、Claude Opus 4.8、Claude Haiku 4.5を含む8つの言語モデルからの回答を集めた448決定シーンのデータセット Menti-Bench でテストした。
なぜ重要か
現在のAIモデルは、隠れた心的状態が重要なシナリオで人間の行動を予測できない。例えば、本人が知らないうちにカップが移動された場合の人の行動などだ。MWMフレームワークは、単に回答をより多くサンプリングするだけでは解決しないことを示す。最弱モデルMWM装備版（GPT-4.1、F1スコア84.9）が、最強モデルの直接回答・自己一貫性版（GPT-5.6-Sol、83.6）を上回った。対人シーンではMWMが26.4ポイントF1を改善し、対象物シーンでは14.0ポイント改善した。日本の企業が開発・導入する言語モデルが人間の信念や心的状態を考慮しない場合、隠れた前提条件下での人間行動予測に失敗する可能性がある。
なぜ重要か
研究は人間パフォーマンス（98.5スコア）への残存ギャップの約80パーセントが、状態遷移シミュレーション──物理・心的世界が結合して変化する過程──の誤りに由来することを明かした。心的チャネルのみを除去すると平均12.1ポイントのF1損失、物理チャネル除去では16.5ポイント損失となる。著者らは、今後の改善は生モデル容量ではなく、これら遷移のより優れたシミュレーションに焦点を当てるべきだと主張している。

わからないところ、AIに聞けます

質問と回答はこのページに公開されます。

こういう要約が、毎朝あなたのメールに届きます。

こうしたAIニュースを毎朝無料で受け取る LINEで友だち追加して受け取る

背景と解説

世界モデル──シーンで次に何が起きるかを予測するシステム──は、大規模言語モデルの成功後、研究の主要な焦点となってきた。最近Google Deepmindの運用責任者を退いたDemis Hassabisは、研究時間の大半を世界モデルに費やしており、この分野における「ChatGPT的瞬間」を予期していると述べている。しかし分野はいまだ世界モデルの定義で合意を欠いている。Soraのようなテキスト・ビデオモデルは現実とのフィードバックループがないとして除外する提案もあれば、生成的アプローチ全体に反対し抽象表現を支持する批評家もいる。

MWMフレームワークは、先行研究がすでに特定していた特定の失敗モード──心の理論テスト（他者の信念推論）で言語モデルが苦労し、世界状態追跡ではさらに悪化する──に対処している。Meta FAIR研究室チームとワシントン、カーネギーメロン大学の研究者らがこれらのギャップを直接示していた。興味深いことに、Anthropicが最近Claudeの内部スクラッチパッドを発見した。多段階推論を支える隠れた単語風思考層だが、これは心的状態追跡に類似した何かが、明示的に設計されなくても、モデル内部で形成されている可能性を示唆している。

よくある質問

心的世界モデリング（MWM）とは何か、どう機能するか？: MWMはAI世界モデルを拡張し、信念、注意、目標、意図、感情、規範、社会関係といった心的変数を物理対象・状態と並行して追跡する。すべての行動は物理的担い手（話す、指差す、掴む）と心的ペイロード（慰める、欺く、拒否する）に分割される。同じしぐさであっても意図に応じて異なる意味を持ちうることをシステムが理解できるようになる。
MWMは標準的な言語モデル回答より大幅に優れているか？: Menti-Benchデータセットで、言語モデルからの直接回答は63.3F1を獲得した。自己一貫性（6回質問し最も多い回答を選択）で77.9に改善した。フルMWMパイプラインは87.9に到達し、同じプロトコルでの人間スコアは98.5だった。
このフレームワークでAIシステムはどこでまだ苦労しているか？: 人間パフォーマンスへの残存ギャップの約80パーセントは状態遷移予測の誤りから生じている。すなわち、行動が起きたとき心的・物理状態がいかに変化するかをシミュレートする能力だ。正確な状態遷移を提供するだけで3.5ポイントF1が加算され、個別パイプラインステージ修正の最大ゲインとなる。

THE DECODER元記事を読む

LINEで送る