OGBench-Cube
PulseAugur coverage of OGBench-Cube — every cluster mentioning OGBench-Cube across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI模型Traj-LeWM通过路径感知轨迹成本改进规划
研究人员推出Traj-LeWM，这是一种增强的视觉世界模型，旨在提高AI代理的规划能力。该新模型通过在端点预测的同时纳入轨迹级别的信息，解决了其前身LeWM的局限性。Traj-LeWM在训练期间使用目标条件潜在轨迹成本（LTC）来塑造表示，并在规划期间使用LTC来优化候选动作序列。实验表明，Traj-LeWM在Push-T、OGBench-Cube、Reacher和Two-Room等多个基准测试中，以显著的百分比优势超越了LeWM。
-
PhyLatent 通过解决物理状态表征失败问题来改进JEPA世界模型
研究人员推出了一种新颖的训练目标PhyLatent，旨在增强联合嵌入预测架构（JEPA）世界模型。该新方法旨在防止这些模型中出现的特定故障模式，例如物理不变性崩溃、物理可辨识性崩溃和反事实动力学崩溃。通过整合物理状态接地、未来表征对齐和反事实分支分离，PhyLatent 在 OGBench-Cube 和 TwoRooms 等任务上显著提高了性能，展示了世界模型中对状态空间更鲁棒的学习。
-
Qantara JEPA模型支持从单一检查点进行多范式控制
研究人员推出了一种新颖的联合嵌入预测架构（JEPA）——Qantara，它允许单个模型检查点在推理时支持从原始像素进行控制的多种推理范式。与之前在训练期间承诺轨迹优化或行为克隆的JEPA模型不同，Qantara的联合训练目标在推理时提供了灵活性。这种多范式方法包括潜在规划、行为克隆和逆动力学，在OGBench-Cube和LeWM控制套件等基准测试中展示了最先进的性能。
-
Qantara JEPA 可实现从像素进行多范式控制
研究人员推出了一种新颖的联合嵌入预测架构（JEPA），名为 Qantara，它能够从原始像素实现多范式控制。与先前在训练时就确定单一推理方法的 JEPA 不同，Qantara 的联合训练目标允许单个检查点在无需重新训练的情况下支持轨迹优化、行为克隆和逆动力学。这种灵活性是通过布朗桥插值和噪声到数据流匹配实现的。Qantara 在 OGBench-Cube 和 LeWM 控制套件等基准测试中展示了最先进的性能，显著优于现有的 JEPA 世界模型。