跳到正文
arXiv · AI· Mattia Scardecchia, Sherry Yang·· 24 天前AI 评分28

Video World Models 需要可预测的隐空间

Video World Models Need Predictable Latents

AI 导读

研究发现,优化时序可预测性的隐空间几何,能在不牺牲像素预测精度的同时提升生成式 Video World Models 性能。 该方法使推理成本降低 5 倍,训练速度提升 7 倍以上,长时程和分布外像素误差降低 15-24%。 使用视觉语言模型评估时,其像素空间预测与真实世界策略评估的一致性更高。

来源:arXiv · AI · arxiv.org