Training Object Permanence in World Models
Aggiunta all'archivio di AIChronos il (numero del 25 settembre 2026 ricostruito)· fonte del · Haotian Zhang, Fengyuan Yu, Dezhi Luo, Haoran Sun, Zehong Zhao, Qingying Gao (Carnegie Mellon University)
L'articolo presenta WROP (World Reasoning with Object Permanence), un infrastruttura dati composta da oltre 1.5 milioni di campioni e 150 compiti ispirati alla scienza cognitiva per addestrare modelli world model su proprietà come la permanenza degli oggetti. Gli autori hanno sviluppato PWM-WROP, un modello world model nativo PyTorch con 16 miliardi di parametri, generando dati tramite Blender che randomizzano parametri ingannevoli preservando la struttura cognitiva dei compiti. In uno studio Elo a doppio cieco, questo modello si è classificato primo tra i modelli di continuazione e terzo in assoluto su un esame standardizzato per valutare il ragionamento fisico emergente.
- Introduzione del dataset WROP con oltre 1.5 milioni di campioni derivati da 150 compiti progettati a mano ispirati alla scienza cognitiva.
- Utilizzo di generatori in Blender per randomizzare velocità, illuminazione e angoli della telecamera mantenendo intatta la struttura cognitiva dei task.
- PWM-WROP è un modello world model nativo PyTorch da 16B che ottiene il primo posto tra i modelli di continuazione su benchmark a doppio cieco.
- Rilascio completo dell'infrastruttura dati, del codice per l'esame con 300 domande e dello stack di training opzionale su AWS Trainium2.
Perché conta. Questa ricerca è rilevante perché fornisce un dataset specifico e uno strumento (PWM-WROP) per colmare il gap tra i modelli video attuali e la capacità umana di ragionare sulla fisica, essenziale per sviluppare agenti autonomi in ambienti reali.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.