研究人员调查了 LeWorldModel 中分层规划对于长时域目标条件控制任务的有效性。他们的扩展 Hi-LeWM 冻结了一个预训练的低层 LeWM，并在潜在子目标之上添加了一个高层规划器。研究发现，时间层次结构并不固有地提高性能，在更长时域中，高层动作空间与搜索分布之间会出现不匹配。然而，通过约束搜索和仔细安排子目标执行的时机，可以恢复分层机制，从而在扁平 LeWM 上获得性能提升。 AI
影响 这项研究探索了在复杂、长时域任务中提高 AI 控制能力的方法，可能对机器人和自主系统产生影响。
排序理由 该集群包含一篇研究论文，详细介绍了在特定 AI 模型中进行分层规划的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.12547v1 Announce Type: cross Abstract: We investigate whether temporal hierarchy can improve LeWorldModel on long-horizon goal-conditioned control. We introduce Hi-LeWM, an extension that freezes the pretrained low-level LeWM and adds high-level planning over latent su…
We investigate whether temporal hierarchy can improve LeWorldModel on long-horizon goal-conditioned control. We introduce Hi-LeWM, an extension that freezes the pretrained low-level LeWM and adds high-level planning over latent subgoals. We evaluate Hi-LeWM on PushT and Cube acro…