루프형 월드 모델 (Looped World Models)

현재의 월드 모델 (world models)은 근본적인 긴장 상태에 직면해 있습니다. 충실한 장기 시뮬레이션 (long-horizon simulation)을 위해서는 깊은 연산 (deep computation)이 요구되지만, 모델이 깊어질수록 배포 비용이 비싸지고 오차가 누적되는 경향이 있습니다. 우리는 월드 모델링 (world modelling)을 위한 최초의 루프형 아키텍처 (looped architectures)인 루프형 월드 모델 (Looped World Models, LoopWM)을 도입하여 이 문제를 해결합니다. 우리의 방법은 파라미터 공유 트랜스포머 블록 (parameter-shared transformer block)을 통해 잠재 환경 상태 (latent environment states)를 반복적으로 정제합니다. 이를 통해 각 예측 단계의 복잡도에 맞춰 깊이를 자동으로 조절하는 적응형 연산 (adaptive computation)을 통해 기존 방식 대비 최대 100배의 파라미터 효율성 (parameter efficiency)을 달성합니다. 모델 크기와 학습 데이터의 스케일링 (scaling)과는 별개로, LoopWM은 반복적인 잠재 깊이 (iterative latent depth)를 월드 시뮬레이션 (world simulation)을 위한 새로운 스케일링 축 (scaling axis)으로 확립하며, 이는 커뮤니티를 크게 진전시킬 수 있습니다.