Мыслящий мир: мировоззрение укрепляет цепочку динамики

arXiv: 261 030,3766v 1 Annuation Type: cross recordre: Vision-Language-Action (VLA) Models добились значительного прогресса в роботоманизации, однако их обобщение попрежнему сдерживается разнообразием и освещением демонстрации роботов с маркировкой действий. Видеоматериалы о людях дают гораздо более широкий поведенческий и экологический опыт, в то же время усвоенные ими знания сталкиваются с фундаментальным компромиссом между масштабируемыми данными и эксплицитными действиями. Мы представляем ThinkWorld, систему обучения VLA, которая определяет действия в мировой динамике и укрепляет ее за счет усиления обучения с помощью мирового воображения. ThinkWorld представляет собой каждое действие, которое рассматривается как цепочка динамики (CD) — последовательность дискретных символов движения, которая отражает промежуточную динамику, соединяющую текущий мир с будущим состоянием и служит общим представительством действий в различных воображениях. Сначала мы инициализируем процесс сокращения масштабов нищеты с помощью демонстраций, помеченных на действия, а затем предсказываем будущее, вызванное каждым из них, и подкрепляем тех, кто