Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 월드 모델이 전문가가 관찰한 특정 상황을 넘어 얼마나 잘 일반화할 수 있는지 연구합니다. 'AnyGoal'이라는 새로운 벤치마크와 오픈 소스 라이브러리를 소개하며, 구성적 일반화(compositional generalization)를 통해 역학의 재조합 능력을 평가하는 기반을 제시했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기월드 모델의 목표는 환경의 역학(dynamics)을 포착하는 것입니다. 이는 에이전트가 월드 모델의 도움을 받아 행동 과정을 계획하고 시뮬레이션할 수 있게 한다는 큰 매력을 가지고 있습니다. 하지만 이러한 사용 사례들이 신뢰성을 가지려면, 학습된 역학은 전문가 롤아웃에서 관찰된 특정 상태-행동 조합을 넘어 잘 작동해야 합니다. 그럼에도 불구하고, 데이터 커버리지, 역학 일반화(dynamics generalization), 그리고 다운스트림 계획 성능 간의 관계는 아직 충분히 탐구되지 않았습니다. 우리는 구성적 일반화(compositional generalization)라는 렌즈를 통해 이 관계를 연구합니다: 월드 모델이 익숙한 상태 및 행동 요인들을 조합하여 유효한 역학을 재조합할 수 있는가? 이에 답하기 위해, 우리는 광범위하게 사용되는 월드 모델 환경들로부터 구축된 목표 이동형(goal-shifted) 태스크 변종의 벤치마크인 AnyGoal과 오픈 소스 라이브러리를 소개합니다. 각 태스크는 근본적인 역학을 학습한 월드 모델이 도달할 수 있도록 설계되었습니다: 개별 상태 요인과 행동은 그들의 훈련 지원(training support) 내에 남아 있지만, 이들의 조합은 전문가 궤적에서 과소 대표됩니다. 여러 환경과 월드 모델 계열 전반에 걸쳐, 우리는 현재 모델들이 이러한 재조합 상황에서 일관되게 실패한다는 것을 발견했습니다. 모델 계열, 상호작용 체제(interaction regimes), 평가 지표 전반에 걸친 역학 및 표현 실패를 검토함으로써, 우리는 현재 월드 모델이 어디까지 일반화하는지, 그리고 목표 이동형 예측 및 계획을 위해 어떤 어려움이 남아있는지를 연구합니다. 종합적으로, 이 프레임워크, 벤치마크, 그리고 분석은 새로운 계획 태스크로 일반화되는 월드 모델을 평가하기 위한 기반을 제공합니다.