כתבה
arXiv cs.AI ·
WorldAgen: חקר וטביעת חותם יחודי של תחזית מצב-פעולה בעת שימוש באימון עולם בזמן המבחן
WorldAgen: Unified State-Action Prediction with Test-Time World Model Training
WorldAgen היא פרקטיקה יחודית של טביעת חותם וחקר של תחזית מצב-פעולה, המאפשרת אימון עולם בזמן המבחן. הפרקטיקה כוללת שימוש במודלי Transformer עם ראשי עבודה נפרדים לחקר עולם ולטביעת חותם של פעולות. WorldAgen נבחנה בבסיסי CALVIN ו-LIBERO והוכיחה יעילות בטביעת חותם של פעולות בעת שימוש באימון עולם בזמן המבחן.
תקציר מקורי באנגליתarXiv:2609.08162v1 Announce Type: new Abstract: How can vision-language-action (VLA) models adapt to new environments where world dynamics shift? While recent research has combined world modeling and action prediction to improve VLA performance, existing methods largely rely on pretraining on static datasets, without mechanisms for active adaptation at deployment time. As a result, these models often fail to generalize when deployed in unseen scenarios with novel object configurations or dynamics. We present WorldAgen, a unified framework that jointly learns world modeling and action prediction while enabling Test-Time Training (TTT) to adapt to new environments. WorldAgen employs a shared Transformer backbone with two heads: (1) a world model head that predicts future states from past sta
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית