Recurrent State Space Model
PulseAugur coverage of Recurrent State Space Model — every cluster mentioning Recurrent State Space Model across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI世界模型在想象的未来中未能保留关键信息
研究人员在用于规划的世界模型中发现了一个“后验先验认知鸿沟”，即想象的未来状态会丢失观察状态中存在的关键信息。一项在CARLA驾驶模拟器中使用循环状态空间模型（Recurrent State Space Model）的研究表明，在想象的模拟中，障碍物信息会显著衰减，导致在没有特权坐标的情况下完全无法避开障碍物。该研究还提出了对有效自由能（Effective Free Energy）分量进行任务条件加权以提高规划性能，从而实现车道保持和避障。
-
新数据集模拟学生代码提交的迭代问题解决过程
研究人员开发了CodeInsight，这是一个包含来自3,286名初级C++课程学生超过300万次提交的新数据集。该数据集旨在通过跟踪学生的尝试、反馈和代码修订来模拟迭代问题解决过程。利用这些数据创建了一个基准，评估了包括循环状态空间模型（RSSM）和大型语言模型（LLM）在内的各种模型。改编后的RSSM表现出更高的预测准确性，而LLM虽然准确性较低，但提供了用于分析的显式解决方案。
-
新研究强调了潜在空间模型在认知不确定性量化方面的局限性
一篇题为《偏见的梦想》的新论文揭示了潜在空间模型在量化认知不确定性方面存在的显著局限性。研究人员发现，这些模型，特别是Dreamer系列中使用的循环状态空间模型（Recurrent State Space Model），表现出吸引子行为。这种偏差可能导致环境动力学中的差异在潜在空间中未被察觉，从而削弱了不确定性估计的可靠性，并导致对预测奖励的过高估计。