『Cube: ロブロックスから見た3Dインテリジェンス』

膨大なデータで学習された基盤モデルは、テキスト、画像、音声、動画の各分野において、卓越した推論および生成能力を発揮しています。Robloxにおける私たちの目標は、3Dインテリジェンス向けの基盤モデルを構築することです。このモデルは、3Dオブジェクトやシーンの生成から、アニメーション用のキャラクターのリギング、さらにはオブジェクトの挙動を記述するプログラムスクリプトの作成に至るまで、Roblox体験のあらゆる側面において開発者を支援できるものです。 本稿では、このような3D基盤モデルに対する3つの主要な設計要件について論じ、その構築に向けた第一歩として我々の取り組みを提示する。3D幾何形状が中核となるデータ型になると予想し、3D形状トークナイザーに対する我々の解決策を説明する。また、我々のトークナイゼーション方式が、テキストから形状への生成、形状からテキストへの生成、およびテキストからシーンへの生成といったアプリケーションでどのように活用できるかを示す。 さらに、これらのアプリケーションが既存の大規模言語モデル（LLM）と連携し、シーン分析や推論を実行する方法を実証する。最後に、3Dインテリジェンスのための完全に統合された基盤モデルを構築するための道筋について論じる。コードおよびモデル重みは、https://github.com/Roblox/cube で公開されている。