MiniMax-H3は物理世界を推論できるか――4種のオムニモーダル評価

複数の入力を受け取れることと、その内容を一緒に考えられることは同じではありません。この研究は、必要な手掛かりが画像や音声などに分かれていても、MiniMax-H3が出来事や次の展開を動画で正しく表せるかを問い直しました。

問題文だけでは正解が分からないようにし、重要な手掛かりを画像、音声、映像へ分けました。たとえば、何通りにも見える一枚の画像に音を添え、その音に合う出来事を動画にできるかを試します。作られた動画が手掛かりと食い違わないかを人が確かめました。

著者らは4種類、合計517問を調べました。全体の成功率は41.97%です。前半の映像から続きを考える問題は56.00%で最も高く、音で画像の意味を絞る問題は27.40%で最も低い結果でした。ただし、問題の材料や求める動画が違うため、この28.60ポイントの差だけで映像が音声より優れているとは言えません。

調べたAIはMiniMax-H3だけで、ほかのAIとの同じ条件での比べ方はありません。また、失敗が入力の読み違い、手掛かりを結ぶ失敗、動画をうまく作れないことのどれから生じたかも分けられません。

見た目が自然な動画でも、与えた音や画像の条件を破っていれば失敗にする考え方は、動画AIを選ぶときの確認項目を変えるかもしれません。ただし、同じ傾向がほかのAIでも出るかはまだ分かりません。まずは同じ問題で複数のAIを比べ、手掛かりを一つずつ外す試し方が必要です。

MiniMax-H3は多くの種類の入力を受け取り、音と映像を含む動画を作れます。しかし、入口が多いだけでは、別々の手掛かりを結び付けて出来事を理解できるとは限りません。著者らが問うたのは、画像だけ、音だけでは足りない問題で、隠れた状態やこの先の動きを動画として表せるかです。料理にたとえるなら、完成品の名前を指示書に書かず、写真、途中の様子、音へ分けた手掛かりから、次に何をすべきか考えられるかを試す形です。ただし実験で扱うのは料理に限らず、多様な場面です。

これまでの動画AIの試し方には、文章や画像で作る内容をはっきり指定し、その通りの映像になったかを見るものが多くありました。この論文はVBench、TC-Bench、VideoPhy、WorldModelBenchとの設計上の違いを整理しています。ただし、同じ問題を同じAIに解かせた成績比べではありません。本研究は答えを問題文に明記せず、複数の場面や音声まで使う点を重視しました。

著者らは、正解に必要な意味を暗黙の指示から外し、複数の入力へ分散させました。AIが作った動画を答えとして読み取り、元の証拠が求める物、位置、順序、音との対応を満たすかを人が判定します。料理の例なら、もっともらしい料理動画を作るだけでは成功になりません。写真に写った材料や途中の音から導かれる次の手順に合う必要があります。

問題は4種類です。第一は、違う視点から撮った複数画像を合わせ、同じ物の対応や隠れた位置関係を動画にする問題です。第二は、何通りにも読める静止画に音を加え、音が示す物や出来事を具体化する問題です。第三は、映像の前半から動きや状態変化を読み、適切な続きを作る問題です。第四は、映像と環境音または発話の条件を合わせ、続きを作るか、食い違う部分を直す問題です。どれも一つの入力だけでは証拠が足りないように作られました。

材料には現実のデータと合成データが使われました。候補となる指示はChatGPTとQwen3で作った後、専門家が編集して確かめました。各候補は、場面の複雑さ、考える内容の豊かさ、条件との一致、指示が答えを言い過ぎていないかという4点で、10回にわたり見直されました。

完成した集合は4領域、29の細かな分類、合計517問です。3人の専門家が動画を別々に見た後、入力と指示を参照して互いに確認しました。一つの正解動画と同じかではなく、問題ごとの条件を満たしたかを成功か失敗かで判定しました。

著者報告では、全体の成功率は41.97%でした。内訳は、映像の前半から続きを考える問題が56.00%（100問）、映像と音を合わせる問題が47.89%（71問）、複数画像を合わせる問題が43.50%（200問）、音で静止画の意味を絞る問題が27.40%（146問）です。最高と最低の差は28.60ポイントです。しかし4種類では材料、指示、求める動画が違います。この数字を、映像入力そのものが音声入力より優れる証拠とは扱えません。

この方法は、複数の入力に散った手掛かりをAIが利用したかを、完成した動画から調べたい場合に合います。また、一つの見本との細かな一致ではなく、複数の妥当な答えを認めながら必要条件を確かめたい場合にも使えます。一方、この成功率だけから別のAIの成績を予想したり、失敗した場所を細かく特定したりする用途には向きません。

実際に調べたのはMiniMax-H3だけで、別のAIとの同条件の比較はありません。完成動画だけを見るため、入力を読み違えたのか、画像と音を結べなかったのか、考えた内容を動画にできなかったのかを分けられません。専門家どうしがどの程度同じ判定をしたかや、数字の揺れの範囲も報告されていません。さらに、材料は品質や問題への合い方で選ばれているため、41.97%は選ばれた517問での値です。

この結果からは、動画が自然に見えるかだけでなく、入力に含まれる意味、位置、時間、音の条件を守ったかを確認する余地があります。もし複数のAIでも同じ弱点が見つかるなら、AIを選ぶ際に、完成映像の印象とは別の確認表を持つことが役立つかもしれません。ただし今の実験では、低い成績が考える力の不足なのか、考えた内容を動画にする力の不足なのかは分かりません。次には、同じ画像のまま音だけを替える、一つの手掛かりを外す、複数のAIに同じ問題を解かせる、といった試し方が必要です。

研究の出発点は、「受け取れる」と「答えのために使える」は別だという考えです。MiniMax-H3は文章、画像、映像、音声を一つの仕組みで扱いますが、それだけで各入力の手掛かりを正しく対応させ、隠れた出来事や次の展開を考えられるとは限りません。

著者らは、完成した動画が入力の条件を満たせば、その入力を合わせて使えた証拠になると考えました。ただし、この考え方には重要な限界があります。正しい展開を内部で考えても動画として表せなければ失敗になります。反対に、完成動画だけから途中で何を理解したかを直接見ることもできません。料理の練習にたとえると、写真、調理中の音、途中までの映像から次の手順を再現させ、完成品で理解を調べる形です。完成品は大切な証拠ですが、どの手順でつまずいたかまでは教えてくれません。

既存の動画AIの試し方には、「犬が走る動画を作る」のように内容を文章や画像ではっきり示し、出力がその指定に合うかを見るものが多くあります。論文はVBench、TC-Bench、VideoPhy、WorldModelBenchを挙げ、本評価との設計上の違いを整理しました。本評価は、答えを言い切らない指示、複数場面、物理的な理解、音声を含む複数種類の入力を組み合わせます。

ただし、これら既存の試し方と同じ問題で成績を比べたわけではありません。新しい設計が以前の設計より正確だと実証した比較ではなく、従来とは違う問いを立てるための整理です。

中心となる工夫は、正解に必要な情報を問題文から取り除き、画像、映像、音声へ分けて置くことです。AIはそれらと短い指示を受けて動画を作ります。専門家は、見た目が自然かだけでなく、元の証拠が求める意味、位置、時間の流れ、音との対応を守っているかを見ます。

料理の例なら、「次を作って」とだけ指示し、別角度の写真、煮える音、途中までの映像を渡します。単においしそうな料理を映すのでは足りません。手掛かりから読み取れる材料や状態に合う続きを作る必要があります。この比較で表せない点は、実際の517問が料理だけでなく、多様な物や動き、場面を含むことです。

第一の問題は、異なる視点の複数画像を合わせるものです。一枚では隠れている物、同じ物どうしの対応、位置関係をまとめ、筋の通る動画を作らせます。第二は、複数の意味に取れる静止画へ、違いを決める音を加えます。音に対応する物や出来事を動画にできるかを見ます。

第三は、途中までの映像から、物の動き、状態変化、物どうしの働き合い、起こり得る結果を読み、適切な続きを作らせます。第四は、映像と環境音または発話の条件を合わせます。音は映像と同時とは限らず、その条件に沿う続きを作るか、食い違う箇所を直させます。

4種類すべてで、一つの入力だけでは情報が不足するようにしました。これにより、指示文の言葉をそのまま絵にするだけでは成功しにくくしています。

材料には現実のデータと合成データの両方があります。入力、期待する意味、動画を作らせるための指示を組にしました。指示の候補はChatGPTとQwen3で作り、その後に専門家が編集して確かめました。

候補は、場面が十分に複雑か、考える内容が豊かか、入力と期待する答えが合うか、指示が答えを明かしすぎていないか、という4点で見直されました。この作業を10回繰り返し、合わない組は直すか交換しました。完成した集合は4領域、29の細かな分類、517問です。内訳は複数画像200問、映像の続き100問、音で画像の意味を決める問題146問、映像と音を合わせる問題71問でした。

3人の専門家が各動画を独立に見た後、入力と指示を参照しながら互いに確認しました。判定は成功か失敗かの二つです。一つの見本動画との一致は求めません。違う見た目でも必要な条件を満たせば、複数の答えを認められる設計です。

これは、見本と画面の細部がどれほど似ているかではなく、証拠から導かれる内容を守ったかを見るためです。一方、二つだけの判定では、ほぼ正しい動画と大きく間違った動画の違いは数字に残りません。専門家どうしの判定がどの程度一致したか、成功率がどの程度揺れ得るかも報告されていません。

著者らが報告した全体の成功率は41.97%です。課題別では、途中までの映像から続きを作る問題が56.00%（100問）で最高でした。次が映像と音を合わせる問題の47.89%（71問）、複数画像を合わせる問題の43.50%（200問）です。音で静止画の意味を絞る問題は27.40%（146問）で最低でした。

最高と最低の差は28.60パーセントポイントです。これは56.00%から27.40%を引いた差であり、27.40%に対して何割増えたかという意味ではありません。また、各課題は材料、指示、作るべき動画が違います。したがって、音声より映像の方が使いやすいという原因と結果の結論にはできません。

著者らは失敗を四つの繰り返し現れる形に整理しました。別々の入力にある証拠を誤って対応させること、必要な出来事を一部しか動画にしないこと、物の動きや配置の条件を破ること、時間が進む中で状態が食い違うことです。ただし、それぞれが何件あったかは報告されていません。

入力の一種類を外して成績を比べる試し方や、画像を固定して音だけを替える試し方は実施されていません。論文は、こうした条件をそろえた実験が失敗原因を分けるために必要だと述べています。そのため、今の結果から「音を無視した」「画像を誤読した」と個別の原因を断定することはできません。

41.97%という値は、複数の入力を合わせて考える力だけを測った純粋な点数ではありません。AIが正しく考えていても、動画に必要な動きや物をうまく表せず失敗した可能性があります。また、選ばれた問題が難しかったことや、成功か失敗かの境目が厳しかったことも数字に関わり得ますが、その影響を分ける報告はありません。

反対に、一部の問題では、期待された内容に似た動画を偶然作れた可能性も完成動画だけでは除けません。したがって、この結果は「物理世界を41.97%理解した」という意味ではなく、選ばれた517問について、入力条件を満たす動画をその割合で作れたという報告です。

実験対象はMiniMax-H3だけで、同じ問題を解いた別のAIはありません。結果をほかのAIへ広げることはできません。材料は品質、意味の整合、問題への適合で選別されており、日常で出会う入力全体をそのまま表す集合でもありません。

また、専門家の二つの判定を使いますが、判定者どうしの一致度、意見が割れた場合の詳しい処理、数字の不確かさの範囲は示されていません。生成動画による試し方は、入力を読む力、手掛かりを結ぶ力、動画に表す力をまとめて測ります。このため、改善すべき場所を一つに絞る診断には使えません。

次に確かめるべき点は明確です。同じ517問または同じ作り方の問題を複数のAIに解かせたとき、順位や弱点は再び現れるでしょうか。同じ画像で音だけを替えたとき、動画も正しく変わるでしょうか。一種類の入力を外したときに成績が下がれば、その入力を利用した証拠を強められます。

さらに、専門家の一致度や数字の揺れを示せば、数ポイントの違いをどこまで重く見るべきか判断しやすくなります。考えた答えを文章などでも出させ、動画の成否と分けて調べられれば、理解の失敗と動画作りの失敗を切り分ける手掛かりになります。ただし、これらは論文が報告した追加結果ではなく、現在の限界から導かれる次の確認事項です。

観察されたのは、MiniMax-H3が517問のうち41.97%で入力条件を満たし、自然に見えても位置、時間、音との対応を破る失敗があったことです。ここから、動画AIの確認表を「きれいに見えるか」だけで終えず、「どの入力の、どの条件を守ったか」まで分ける考え方が導けます。もし別のAIや条件をそろえた実験でも同じ弱点が再現するなら、利用目的に合う問題を先に作り、条件別に成功を調べる方法が選定や改善に役立つかもしれません。しかし今は、考える過程と動画を作る過程を分けられず、比較相手もありません。実際の判断を変える前に、入力を一つずつ外す試験、音だけを替える試験、複数AIの同条件比較が必要です。

統一的にテキスト、画像、映像、音声を扱えるモデルは、異なる入力の相補的な手掛かりから潜在的な出来事や将来の動きを推定できるのか。本研究は、生成動画をその推定結果の観測可能な出力として調べる。

目標を暗黙プロンプトだけでは特定できないようにし、必要な証拠を複数モダリティへ分散する。たとえば、複数解釈が可能な静止画と識別的な音声を与え、音が示す対象や出来事を動画に具体化できるかを見る。3人の専門家は、単一の参照動画との一致ではなく、課題固有の意味・空間・時間・音響条件の充足を二値判定した。

評価集合は4領域、29サブカテゴリ、517事例である。著者報告のSRは全体41.97%。課題別ではVDRが56.00%で最高、ADRが27.40%で最低で、差は28.60パーセントポイントだった。ただし課題間でデータ、プロンプト、生成目標が異なるため、映像と音声の入力能力を直接比較した差ではない。

評価対象はMiniMax-H3のみで、モデル間ベースラインはない。また生成結果は、入力理解、モダリティ統合、動画生成の全段階に依存する。したがって失敗動画だけから、どの段階が原因だったかを分離できない。

入力条件を満たしたかを自然さとは別に判定する設計は、生成モデルの評価項目を意味・物理・時間制約まで広げる可能性がある。ただし、その設計をモデル選定へ使うには、複数モデルでの再現とモダリティ除去などの統制実験が必要である。現状の単一モデル評価では、低いSRを統合能力だけの弱さとは解釈できない。

研究課題は、統一的な入力・生成機構を持つMiniMax-H3が、複数モダリティに散在する部分的証拠を統合し、潜在的な事象状態と将来のダイナミクスを出力動画へ反映できるかである。単に全形式を入力できるかではなく、一つの入力では解けない条件を相補的に利用できるかを問う。

従来の動画生成・世界モデル評価は、明示的プロンプトと主にテキスト・画像条件を使い、目標内容への忠実性を測るものが多い。論文はVBench、TC-Bench、VideoPhy、WorldModelBenchと、入力形式、複数場面、暗黙プロンプト、物理認識、推論の対象範囲を比較している。本評価はテキスト、画像、音声、映像を使い、必要情報を指示に明記しない点が異なる。ただし、共通モデルを共通問題で測ったベンチマーク比較ではなく、評価設計上の対照である。

各事例は暗黙プロンプトq、マルチモーダル観測x、4課題のいずれかで構成され、モデルが動画Yを生成する。中心的な操作は、Yを決める意味情報をqから除き、xの構成要素へ分散することである。これにより、プロンプトの表面的な再現だけでは課題固有の条件を満たしにくくする。生成動画を行動上の読み出しとして、入力証拠に支えられた対象、配置、状態遷移、音響対応が実現されたかを評価する。

MSRは複数視点画像を入力し、対象対応、遮蔽、空間関係を統合した動画を要求する。ADRは曖昧な静止画像と識別的音声を組み合わせ、音響手掛かりに対応する対象または事象を具体化させる。VDRは前半動画から運動、状態変化、相互作用と起こり得る結果を読み、明示されていない適切な続きを生成させる。AVIRは動画と、必ずしも時間同期しない環境音または発話制約を与え、続きの生成か不整合箇所の修正を求める。

各課題で一つのモダリティは部分証拠しか持たない。したがって、成功には入力間の対応付けと、対応関係に沿った動画生成の両方が必要になる。

素材は実データと合成データから収集された。入力、意味的出力目標、動画生成プロンプトを構成し、候補プロンプトはChatGPTとQwen3で作成後、専門家が編集・検証した。候補は場面の複雑さ、推論の豊かさ、条件整合性、プロンプトの暗黙性という4観点で10回レビューされ、不適格な組は修正または交換された。

最終集合は517事例、4領域、29サブカテゴリで、MSR 200、VDR 100、ADR 146、AVIR 71である。3人の専門家が各動画を独立評価後、入力と指示を参照して相互確認した。単一参照動画との一致ではなく、課題固有の要件を満たすかを二値判定する。成功率は成功事例数を当該集合の事例数で割った値である。

著者報告の全体SRは41.97%である。課題別には、VDR 56.00%（100事例）、AVIR 47.89%（71事例）、MSR 43.50%（200事例）、ADR 27.40%（146事例）だった。VDRとADRの差は28.60パーセントポイントであり、相対変化率ではない。

この順位は課題間の観測結果だが、入力形式だけを変えた比較ではない。データ分布、暗黙プロンプト、生成目標、事例数が異なるため、音声モダリティの利用能力が映像より因果的に低いとは結論できない。

この枠組みは、複数モダリティに分散した証拠の利用を生成結果から調べる場合に適する。具体的には、複数視点の空間対応、音声による曖昧性解消、動画先読み、音声制約に基づく修正を診断できる。また、一つの参照動画への画素一致を避け、複数の有効な出力を許しながら意味的制約を判定したい場合に有用である。

一方、MiniMax-H3のSRから他モデルの性能を予測する用途、課題別SRから入力モダリティの優劣を決める用途、推論と生成の失敗を個別診断する用途には適さない。

第一に、実験対象はMiniMax-H3だけで、同条件のモデル間ベースラインがない。第二に、生成動画は入力理解、モダリティ間統合、動画生成能力の合成結果なので、失敗原因を分離できない。論文が必要性を述べるモダリティ除去や視覚入力固定下の音声置換も未実施である。

第三に、人手判定の評価者間一致度、不確実性区間、判定不一致の処理詳細は報告されていない。第四に、実・合成素材は品質、意味的整合性、課題適合性で選別されている。したがってSRはこの選択済み集合上の値であり、より広い入力分布での性能を直接示さない。

本研究の観察は、見た目が自然でも意味・空間・時間・音響制約を破れば失敗になり得ることを示す。もし同じ判定軸が複数モデルと統制実験でも安定するなら、生成品質とは別に、証拠利用の制約充足率をモデル選定の判断材料へ加えられる可能性がある。ただし現在のSRは推論と生成を合成して測り、比較モデルもない。実務上の決定へ結び付ける前に、モダリティ除去、入力置換、同一事例でのモデル間比較によって、どの入力が結果へ寄与したかを確かめる必要がある。

中心問題は、共有されたマルチモーダル表現を持つことが、物理世界に関する推論能力へ結び付くかである。著者らは、各モダリティが部分証拠しか含まず、統合しなければ潜在的な事象状態や将来ダイナミクスを定めにくい課題を構成した。これにより、入力受理能力と証拠利用能力を区別しようとする。

操作的な仮定は、入力から支持される意味・空間・時間・音響制約を生成動画Yが満たすなら、モデルが必要情報を利用できたと見なせることにある。しかしYは内部推論の直接観測ではない。正しい潜在状態を得ても生成器が実現できなければ失敗し、逆に出力が条件へ合っても内部の因果的利用を保証しない。この測定対象の混合が結論の主要な境界である。

既存の動画生成・世界モデル評価は、明示的なプロンプトと主にテキスト・画像条件を用い、指定内容への忠実性を測ることが多い。論文の比較表はVBench、TC-Bench、VideoPhy、WorldModelBenchを挙げ、本評価が暗黙プロンプト、テキスト・画像・音声・映像、複数場面、物理認識、推論を組み合わせる点を整理する。

研究上の変更点は、生成結果の自然さだけを広く測るのではなく、別々の入力へ置いた情報を出力条件として回収できるかを問う点である。ただし比較表は、同一事例、同一モデル、同一指標による性能ベースラインではない。したがって、提案評価が既存ベンチマークより妥当または高感度だという経験的優位を直接示すものではない。

各事例は暗黙プロンプトq、マルチモーダル観測x、課題ラベルから構成され、MiniMax-H3が条件付きで動画Yを生成する。qから目標決定に必要な情報を意図的に除き、xの複数要素へ分散させる。そのため、qの語句だけに整合する動画ではなく、観測間の対象対応、事象解釈、状態遷移を反映するYが必要になる。

評価者は単一の参照動画との一致を要求せず、課題ごとに定義された条件を満たすかを判定する。この設計は出力の一意性を仮定せず、複数の妥当な実現を許容する。一方で、二値の最終出力は、証拠利用の部分的成功や、理解は正しいが実現だけ失敗した場合を細分化しない。

MSRでは複数視点画像をxとして与える。個々の画像では不足する対象同一性、遮蔽、空間関係を統合し、それらと整合する動画Yを要求する。ADRでは複数解釈が可能な静止画像と識別的音声を組み合わせ、音響手掛かりが選ぶ対象または事象をYで具体化させる。

VDRでは前半動画から運動、状態変化、相互作用と起こり得る帰結を推定し、明示されていない適切な応答を含む続きを生成させる。AVIRでは動画と、時間同期しているとは限らない環境音または発話制約を組み合わせ、続きの生成か不整合部分の修正を求める。

4課題は同一の入力操作を共有するわけではない。共通するのは、一つのモダリティだけでは部分証拠にとどまり、複数入力を合わせた条件充足を要求する点である。この異質性は評価範囲を広げる一方、課題別SR差の因果解釈を妨げる。

素材は実データと生成モデル由来の合成データから収集された。入力、意味的出力目標、動画生成プロンプトが構成され、候補プロンプトはChatGPTとQwen3による作成後、専門家が編集・検証した。候補事例は、場面の複雑さ、推論の豊かさ、条件整合性、プロンプトの暗黙性という4観点で10回反復レビューされ、不適格な組は修正または交換された。

最終集合は517事例、4領域、29サブカテゴリからなる。内訳はMSR 200事例・10分類、VDR 100事例・8分類、ADR 146事例・6分類、AVIR 71事例・5分類である。評価対象モデルはMiniMax-H3のみであり、同一条件の別モデル出力は収集されていない。したがって実験は評価枠組みの適用例と単一モデルの診断であり、モデル間の相対性能試験ではない。

3人の専門家が各生成動画を独立に評価し、その後、入力と指示を参照して相互確認した。判定対象は視覚的自然さだけではなく、入力証拠が課す意味、空間、時間、音響・映像上の要件である。単一参照動画との一致を求めないため、異なる表現でも条件を満たせば成功になり得る。最終指標SRは、各集合の成功判定数を集合サイズで割った値である。

この指標は解釈しやすいが、二値化の閾値近傍にある出力の差を捨てる。さらに、評価者間一致度、不一致解消の詳細、不確実性区間は報告されていない。課題別の事例数も異なるため、全体41.97%は4課題の単純平均ではなく、517事例による標本数加重の結果として読む必要がある。

著者報告では、MiniMax-H3の全体SRは41.97%である。課題別SRはVDR 56.00%（100事例）、AVIR 47.89%（71事例）、MSR 43.50%（200事例）、ADR 27.40%（146事例）だった。VDRとADRの差は28.60パーセントポイントであり、相対的な改善率ではない。

順位だけを見れば、動画前置部分を使うVDRが最も高く、音声で静止画の解釈を限定するADRが最も低い。しかし課題ごとにデータ、プロンプト、目標動画、事例数が変わる。したがって、この差は映像モダリティと音声モダリティを一要因として操作した効果量ではない。報告値が支持するのは、選別された各課題集合上での条件充足頻度までである。

定性的分析は反復する失敗を四つに整理した。第一はモダリティ間で証拠を誤対応させる失敗、第二は必要な事象を不完全にしか実現しない失敗、第三は物理または配置制約への違反、第四は時間を通じた状態の不整合である。各類型の定量的な発生頻度やモデル間比較は報告されていない。

原因分離に必要なアブレーションも未実施である。たとえば一つのモダリティを除去しSRの変化を見る、視覚入力を固定して音声だけを置換し出力が対応して変化するかを見る、といった統制が必要になる。論文自身もこれらを今後の課題として挙げる。現在の失敗例だけでは、入力理解、モダリティ統合、動画生成のどこが支配的な要因かを同定できない。

全体SR 41.97%を「物理世界理解の達成度」とそのまま読むことはできない。指標は、潜在状態の推定、証拠間対応、出力計画、動画としての実現をまとめて観測する。低いSRは統合不足を示唆し得るが、生成器の実現限界でも説明できる。逆に条件に合う出力が、特定モダリティの因果的利用によって生じたかは、入力置換なしには確定できない。

また、データ構築時の反復選別は品質と課題適合性を高める一方、保持された事例への条件付き結果を生む。自然発生する入力分布や、選別基準が異なる集合で同じSRになるとは限らない。課題別順位も、モダリティ差ではなく、事例難度や要求される生成の複雑さの差を含み得る。

外的妥当性の第一の制約は、MiniMax-H3だけを評価し、モデル間ベースラインを持たないことである。第二に、実・合成素材を品質、意味的整合性、課題適合性で選別しており、結果は選択された517事例に限定される。第三に、課題間の条件が統一されていないため、SR差を入力モダリティの因果効果へ帰属できない。

測定上は、人手二値判定の評価者間一致度と不確実性区間がない。診断上は、生成ベースの読み出しが理解・統合・実現能力を混合する。さらに、失敗類型の件数がなく、どの障害が全体SRを最も押し下げたかは分からない。これらの制約により、本研究はMiniMax-H3の弱点を局所化する分析というより、複合的な成功条件を満たせる頻度の評価として解釈すべきである。

第一の未解決点は再現性である。同一事例を複数のオムニモーダルモデルへ与えた場合、全体SRと課題別順位は維持されるか。第二は因果的な証拠利用である。モダリティ除去や反事実的な音声置換によって、出力が該当入力へ応答するかを検証できる。第三は能力分解であり、潜在事象の説明など生成動画以外の読み出しと動画生成を併用すれば、理解と実現の失敗を区別できる可能性がある。

評価面では、評価者間一致度、不確実性区間、失敗類型ごとの頻度が必要である。さらに、選別済み集合とは異なるデータで結果が保たれるかを調べなければ、適用範囲は定まらない。これらは本論文が報告した追加実験ではなく、現在の設計が残した検証課題である。

本研究が直接示したのは、自然さだけでは捉えられない制約違反があり、MiniMax-H3の条件充足SRが選別済み517事例で41.97%だったことである。ここから、生成モデル評価を知覚品質と証拠利用の二軸に分ける設計判断が考えられる。もし複数モデル、入力除去、反事実的置換でも制約充足指標が安定して能力差を捉えるなら、利用目的に対応した診断項目として価値を持ち得る。しかし現評価は推論と生成を分離せず、ベースラインも不確実性区間もない。まず同一条件比較と原因分解を行い、指標が何を測るかを確定する必要がある。

共有されたオムニモーダル表現は、部分的証拠を統合し、潜在事象状態と将来ダイナミクスを生成動画へ反映できるか。論文はMiniMax-H3を対象に、入力可能性ではなく証拠利用を問う。

目標情報を暗黙プロンプトqから除去し、マルチモーダル観測xへ分散する。MSR、ADR、VDR、AVIRを通じて生成動画Yを行動的読み出しとし、3人の専門家が単一参照との一致ではなく、課題固有の意味・空間・時間・音響制約を満たすか二値判定する。

517事例、29サブカテゴリで、全体SRは41.97%。課題別にはVDR 56.00%、AVIR 47.89%、MSR 43.50%、ADR 27.40%だった。VDRとADRの差は28.60パーセントポイントだが、データ、プロンプト、生成目標が異なるためモダリティ間の直接比較ではない。

対象はMiniMax-H3のみでモデル間ベースラインがない。またYの失敗は入力理解、モダリティ統合、動画生成のいずれでも生じ得るが、除去・置換アブレーションがなく原因を分離できない。

自然さと入力制約の充足を分ける評価は、生成モデルの物理世界推論をより厳密に測る候補になり得る。ただし、指標が統合能力を固有に測るとの結論には、複数モデル比較とモダリティ除去・置換が必要である。現段階では、単一モデルの複合的な生成成功率として扱うべきだ。

論文の問いは、統一アーキテクチャによるマルチモーダル整合が、物理世界に関する状態推定と将来ダイナミクスの推論へつながるかである。MiniMax-H3がテキスト、画像、映像、音声を受理できるという機能記述を超え、各入力が部分証拠しか与えない状況で相補情報を利用できるかを検証する。

既存の動画生成・世界モデル評価は、明示的な目標内容と主にテキスト・画像条件を用いる場合が多い。Table 1はVBench、TC-Bench、VideoPhy、WorldModelBenchと、入力モダリティ、複数場面、暗黙プロンプト、物理認識、推論の対象範囲を比較する。本評価はテキスト・画像・音声・映像と暗黙プロンプトを組み合わせる。ただし、この表は同一モデル・同一事例による性能比較ではなく、評価パラダイムの設計差を示す。

各事例は暗黙プロンプトq、マルチモーダル観測x、4課題のラベルを持ち、MiniMax-H3は条件付きで動画Yを生成する。著者らは目標特定に必要な意味情報をqから除き、xの複数構成要素へ分散する。Yが証拠に基づく対象対応、配置、状態遷移、音響整合を満たすかを評価することで、表面的なプロンプト追従ではなくクロスモーダル統合を要求する。

MSRは異なる視点の複数画像から対象対応、遮蔽、空間関係を統合する。ADRは曖昧な静止画像に識別的音声を加え、音響手掛かりに対応する物体・事象を動画で具体化する。VDRはprefix videoから運動、状態変化、相互作用、帰結を読み、暗黙の適切な応答を含む続きを生成する。AVIRは動画と、必ずしも同期しない環境音または発話制約を組み合わせ、continuationまたは不整合箇所の修正を要求する。

これらは単一モダリティで完結しない点を共有するが、入力構成と生成目標は同一ではない。そのため課題別性能は診断的記述であり、モダリティを独立変数とした比較ではない。

実データと合成データから素材を収集し、入力、意味的出力目標、動画生成プロンプトを構成した。候補プロンプトはChatGPTとQwen3で作成後、専門家が編集・検証した。場面の複雑さ、推論の豊かさ、条件整合性、プロンプトの暗黙性という4観点で10回の反復レビューを行い、不適格な組を修正または交換した。

最終集合は517事例、4領域、29サブカテゴリで、MSR 200、VDR 100、ADR 146、AVIR 71。3人の専門家が各Yを独立評価後に相互確認し、単一参照動画との一致ではなく、課題固有の要件を満たすかを二値判定した。SRは成功数を各集合の標本数で割る。

Table 2で報告される全体SRは41.97%である。課題別にはVDR 56.00%（100）、AVIR 47.89%（71）、MSR 43.50%（200）、ADR 27.40%（146）。VDRとADRの差は28.60パーセントポイントである。

この差を映像入力と音声入力の能力差として読むことはできない。各課題でデータ、プロンプト、出力目標、標本数が異なり、モダリティ以外の要因が統制されていない。全体値は517事例による加重結果であり、4課題SRの単純平均でもない。

本評価は、複数モダリティに分散した証拠を生成結果へ反映したかを調べる用途に適する。単一参照との画素一致を回避しつつ、複数の妥当な出力に対して課題固有の意味制約を適用できる。MSRの空間対応、ADRの音声曖昧性解消、VDRの将来推定、AVIRの音響・映像整合を個別に観察できる。

一方、他モデルの性能予測、モダリティの因果的優劣、内部推論と生成器の失敗の局所化には利用できない。

MiniMax-H3のみを評価し、モデル間ベースラインを報告していない。生成ベースの読み出しは、入力理解、クロスモーダル統合、動画生成能力を合成して測る。モダリティ除去や視覚入力固定下の音声置換がないため、個々の入力の因果的寄与と失敗段階を分離できない。

また、専門家判定の評価者間一致度、不確実性区間、不一致処理の詳細は報告されていない。実・合成素材は品質、意味的整合性、課題適合性で選別されているため、SRは選択された集合上の値である。

本論文の観察は、視覚的自然さと入力由来の意味・物理・時間制約の充足が一致しない場合を示す。複数モデルでも同じ評価軸が安定し、入力除去・置換に応じてSRが変化するなら、生成品質と証拠利用を分離した評価設計へ進める可能性がある。しかし現状は単一モデルの最終動画だけを測り、推論と生成を識別できない。したがって、モデル選定指標へ一般化する前に、共通事例でのベースライン比較と因果的アブレーションが必要である。

本研究の対象は、統一されたオムニモーダル表現が、入力形式の共存を超えて物理世界推論を改善するかという問題である。各モダリティが基礎事象について部分的証拠のみを与える条件を構成し、複数入力の意味手掛かりから潜在状態と将来ダイナミクスを推定できるかを問う。

評価上の主要仮定は、入力証拠に支持された意味・空間・時間・音響制約を生成動画Yが実現すれば、必要なクロスモーダル情報を利用したと操作的に見なせることである。ただしYは内部状態の直接測定ではない。潜在推論が正しくても生成段階で失敗し得る一方、Yの成功だけでは各入力を因果的に利用したことを保証しない。この識別不能性が設計全体に残る。

従来の動画生成・世界モデル評価は、目標動画と内容的に近い明示プロンプト、主にテキスト・画像条件を用い、視覚品質や指定内容への忠実性を評価する場合が多い。Table 1はVBench、TC-Bench、VideoPhy、WorldModelBenchを参照し、本評価が暗黙プロンプト、テキスト・画像・音声・映像、複数場面、物理認識、推論を併せ持つと整理する。

本論文の位置付けは、生成目標をプロンプト内に完結させず、モダリティ間の情報統合自体を課題成立条件にする点にある。ただし既存ベンチマークとの比較は設計属性の表であり、共通モデル、共通事例、共通指標による経験的比較ではない。したがって、既存評価より高い妥当性や識別力を実証したとは解釈できない。

各事例は暗黙プロンプトq、マルチモーダル観測x、MSR・ADR・VDR・AVIRのいずれかの課題ラベルを含み、MiniMax-H3が動画Yを条件付き生成する。構成操作は、Yの意味的目標を一意にする情報をqから除去し、x内の複数モダリティへ分散することである。qだけに追従する戦略では、課題固有の制約を満たせないことを意図する。

Yは推論の行動的読み出しとして扱われる。評価は単一参照への近接ではなく、証拠に基づく条件集合の充足で行うため、複数の有効な動画実現を許す。この選択は開放的な生成課題に適合する一方、推論、計画、レンダリングを同じ二値結果へ圧縮する。

MSRは異なる視点の複数画像を入力し、単一画像からは決定できない対象対応、遮蔽、空間関係の統合を要求する。ADRは多義的な静止画像と識別的音声を入力し、音響手掛かりが選択する対象または事象をYへ具体化させる。

VDRはprefix videoから運動、状態変化、相互作用、起こり得る帰結を推定し、明示されない適切な応答を含むcontinuationを生成させる。AVIRは動画と、必ずしも時間同期しない環境音または発話制約を組み合わせ、continuationまたは不整合部分の修正を求める。

4課題に共通する設計原理は、各モダリティ単独では不十分な証拠を与え、統合後の意味条件をYへ反映させることである。一方、課題間で入力構成、目標、必要な生成操作は異なる。このため4課題は能力の補完的断面を示すが、統一された要因実験ではない。

データ素材は実データと生成モデル由来の合成データを含む。著者らは入力、意味的出力目標、動画生成プロンプトを構成した。候補プロンプトはChatGPTとQwen3で作成後、専門家が編集・検証した。候補事例について、場面の複雑さ、推論の豊かさ、条件整合性、プロンプトの暗黙性という4観点で10回の反復レビューを行い、不適格な組を修正または交換した。

最終評価集合は517事例、4領域、29サブカテゴリである。内訳はMSR 200事例・10分類、VDR 100事例・8分類、ADR 146事例・6分類、AVIR 71事例・5分類。実験対象はMiniMax-H3のみで、同一事例に対するモデル間ベースラインはない。素材の選別は課題品質を担保する手続きであると同時に、報告値の母集団を選択済み集合へ限定する。

3人の専門家が各生成動画を独立に評価し、その後、入力と指示を参照して相互確認した。判定基準は見た目の自然さに限定されず、課題固有の意味、空間、時間、音響・映像上の要件を満たすかである。単一参照動画との一致は要求せず、制約を満たす複数の動画を成功として許容する。

SRは成功判定数を対応する集合の標本数で割る二値指標である。全体SRは517事例に基づくため、課題別SRの単純平均ではなく標本数で加重された値になる。評価者間一致度、不確実性区間、不一致解消過程の詳細は報告されていない。したがって、判定の再現性や課題別差の統計的不確かさは本文から評価できない。

Table 2で報告された全体SRは41.97%。課題別ではVDR 56.00%（100事例）、AVIR 47.89%（71事例）、MSR 43.50%（200事例）、ADR 27.40%（146事例）である。VDRとADRの絶対差は28.60パーセントポイントであり、ADRを基準とした相対改善率ではない。

著者らの結果は、評価集合上でMiniMax-H3の信頼性が限定的であることを示す。特にADRの低値は音響手掛かりを出力事象へ反映する難しさと整合するが、音声モダリティ固有の能力差を同定しない。VDRとADRではデータ、プロンプト、生成目標が異なるため、観測差には事例難度と出力実現難度も含まれる。

定性的失敗分析は、証拠の誤対応、不完全な事象実現、物理・配置違反、時間的な状態不整合という4類型を報告する。これは、自然に見えるYでも入力由来の制約を破り得ることを示す。ただし各類型の発生頻度、重複、課題別分布は示されず、どの要因が全体SRを支配するかは分からない。

モダリティ除去アブレーションはなく、一つの入力を外した際の性能低下は測られていない。視覚入力を固定し音声だけを意味的に置換する統制も未実施である。論文はこれらを失敗要因分離の今後の課題として挙げる。したがって、特定モダリティが無視されたのか、統合後の状態表現が誤ったのか、Yへの実現だけが失敗したのかを識別できない。

SRは「物理世界理解」の単一能力値ではなく、入力知覚、クロスモーダル対応付け、潜在状態推定、出力計画、動画生成を合成したエンドツーエンド指標である。41.97%という値を、世界理解の割合として解釈することは不適切である。低値は統合能力の限界と整合するが、生成器の表現能力による下限化でも説明可能である。

逆に、成功Yが対象モダリティの利用に因果的に依存したかは未確認である。入力置換に対する感度がなければ、相関的な手掛かりや生成事前分布による成功を除外できない。また、反復レビューと選別を経た集合は意図した推論を要求しやすい一方、自然分布や別の選別方針への外挿を保証しない。

第一に単一モデル評価であり、他のオムニモーダルモデルへの一般化も相対的な性能位置も不明である。第二に、課題間でデータ、プロンプト、生成目標が異なるため、VDRとADRの差を映像対音声の因果効果として解釈できない。第三に、生成ベースの読み出しは推論と生成実現を分離しない。

第四に、評価者間一致度、不確実性区間、失敗類型の定量頻度が報告されていない。第五に、実・合成素材は品質、意味的整合性、課題適合性で選別されており、報告値は選択済み517事例に条件付けられる。これらを踏まえると、本結果は評価枠組みの適用とMiniMax-H3の診断的ケーススタディであり、一般的なオムニモーダル能力順位ではない。

最優先の追試は、共通事例・共通判定基準による複数モデル比較である。これにより課題別順位がMiniMax-H3固有か、モデル群で再現するかを調べられる。次にモダリティ除去と反事実的置換を導入し、Yが各証拠の有無と意味変化へ適切に応答するかを測る必要がある。

能力分解には、潜在事象状態を動画以外でも読み出し、その正誤と最終Yの成功を交差させる設計が考えられるが、本論文では検証されていない。評価面では、評価者間一致度、不確実性区間、失敗類型別頻度、選別外または異なる分布での再評価が必要である。これらが揃って初めて、SRが統合能力、生成能力、データ構成のどれにどの程度依存するかを検討できる。

本論文の事実的基盤は、自然に見える生成でも入力由来の意味・物理・時間制約に違反し得ることと、MiniMax-H3の全体SRが選択済み517事例で41.97%だったことである。ここから、オムニモーダルモデル評価を知覚品質と証拠依存の制約充足へ分解する方向が考えられる。もし共通事例でのモデル間比較とモダリティ除去・反事実的置換が同じ弱点を再現すれば、制約充足をモデル選定・改良の診断軸として扱える可能性がある。ただし現状は生成を介した複合指標で、因果的な証拠利用も一般性も未確認である。