ロボット工学における基礎モデルの評価は、大きな課題となっています。大言語モデルはデジタルベンチマークで効率的に評価できる一方で、ロボット政策は実世界での実行が必要であり、ハードウェアの制約と人間による監督により時間と費用がかかります。このボトルネックを解決するため、世界モデルをサロゲート政策評価者として活用する関心が高まっていますが、政策評価に信頼できる世界モデルの要件は十分に理解されていません。 本研究は、ロボット政策評価のための世界モデルに関する体系的な研究を実施し、WMBenchというベンチマークを構築しました。このベンチマークは実ロボットのテレオペレーション（遠隔操作）データと政策実行結果の対応データで構成され、多様な操作タスクをカバーして、モデルファミリー、アクション符号化、ロールアウト期間、評価メトリクス全体での制御された比較を可能にします。 WMBenchを用いた分析では、7つのビデオ世界モデル、4つのアクション表現スキーム、32万4千以上のシミュレーション政策ロールアウトと実ロボット実行の対応データを検討しました。さらにCVPR 2026のGigaBrainチャレンジからのコミュニティ投稿、合成軌跡データ、1万2千時間以上の学習動画を分析に含めています。実験から3つの重要な知見が得られました。評価器の品質は短期的な視覚的リアリズムよりも、長期的で行動に忠実なロールアウト一貫性に左右される点、事前学習の効果は単なるデータスケールではなく、汎用的な世界知識とロボット固有の操作性のバランスにある点、そしてアクション符号化、メモリ設計、評価器指向の事後学習といった建築的選択が実世界のロボット行動との一致を大きく決定する点です。 これらの結果に基づき、実践的な設計ロードマップを導出し、GigaWorld-1として実現しました。このモデルは政策評価に特化した世界モデルです。研究チームはコード、モデル、データセット、ツールキットを全て公開し、具現化された基礎モデルの拡張可能な評価研究の進展を目指しています。