GE-Sim 2.0: ロボット操作のための包括的なクローズドループビデオワールドシミュレータへのロードマップ

要旨

GE-Sim 2.0（Genie Envisioner World Simulator 2.0）を紹介する。これは、ロボット操作のための閉ループ型ビデオワールドシミュレータである。Genie Envisionerの行動条件付きビデオ生成フレームワークを基盤とし、GE-Sim 2.0は、遠隔操作、接触を伴うインタラクション、ロボット上でのポリシー展開にわたる数千時間の実世界ロボットデータで再学習され、行動追従の忠実性と軌跡カバレッジを大幅に改善した。この基盤の上に、ビデオシミュレーションからポリシー学習へのループを閉じる3つの新モジュールを追加する。すなわち、ビデオ潜在表現から固有受容状態を復号し、下流のVLAポリシーによる次チャンク予測を支援する状態エキスパート、生成されたロールアウトをタスク指示に照らしてスコアリングし、手動検査に代わる機械検証可能な成功信号と報酬を提供するワールドジャッジ、そして単一のH100上で2.3秒で25フレームのロールアウトを生成し、長期的評価のために推論時に最大4倍のフレームスキップを可能にする高速化フレームワークである。わずか2Bパラメータで、GE-Sim 2.0は公開のWorldArenaリーダーボードでトップとなり、専用のロボットワールドモデルやクローズドソースの汎用ビデオ生成器を凌駕し、そのロールアウトと報酬に対して訓練されたポリシーは、測定可能な実世界での利得に変換され、GE-Sim 2.0を操作ポリシーのスケーラブルな評価と閉ループ学習のための実用的プラットフォームとして確立する。

English

We introduce GE-Sim 2.0 (Genie Envisioner World Simulator 2.0), a closed-loop video world simulator for robotic manipulation. Building on the action-conditioned video generation framework of Genie Envisioner, GE-Sim 2.0 is re-trained on thousands of hours of real-world robot data spanning teleoperation, contact-rich interaction, and on-robot policy deployment, substantially improving action-following fidelity and trajectory coverage. On top of this foundation, three new modules close the loop from video simulation to policy learning: a state expert that decodes proprioceptive state from video latents to support next-chunk prediction by downstream VLA policies; a world judge that scores generated rollouts against task instructions, yielding machine-verifiable success signals and rewards in place of manual inspection; and an acceleration framework that delivers a 25-frame rollout in 2.3 seconds on a single H100, with up to 4* frame skipping at inference for long-horizon evaluation. GE-Sim 2.0 tops the public WorldArena leaderboard at only 2B parameters, outperforming both dedicated robotic world models and closed-source general video generators, and policies trained against its rollouts and rewards translate into measurable real-world gains, establishing GE-Sim 2.0 as a practical platform for scalable evaluation and closed-loop learning of manipulation policies.