Тест, свързан с ръководство · Среден Ниво

Световни модели и тест за научени симулатори

Разгледайте как световните модели прогнозират промените в околната среда, поддържат планирането във въображаеми състояния и генерират интерактивни симулирани преживявания.

Свързани ръководни пътекиСветовни модели и научени симулатори
Въпрос 1 на 8

Каква е основната работа на световния модел?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е основната работа на световния модел?
    • Да се предвиди как околната среда се променя при дадено състояние и действие
    • За етикетиране на изображения с категории
    • За компресиране на текст във вграждания
    • За маршрутизиране на мрежови пакети
  2. In the 2018 World Models DoomTakeCover experiment, where was the controller trained?
    • Само на реален хардуер
    • Вътре в собствената научена „мечта“ на модела за околната среда
    • В публичен облачен клъстер от роботи
    • Използване само на езикови данни
  3. Какво забележително постижение постигна DreamerV3 на DeepMind?
    • Писане на роман
    • Превод на 100 езика
    • Collecting diamonds in Minecraft using policy learning from imagined trajectories
    • Проектиране на микрочип
  4. Какво прави Genie на Google?
    • Компресира видеоклипове за стрийминг
    • Сортира резултатите от търсенето
    • Обучава езикови преподаватели
    • Генерира управляеми, възпроизвеждани 2D светове от изображения и немаркирано видео
  5. Как много световни модели поддържат проблема с предсказването податлив на данни с големи размери като изображения?
    • Те кодират наблюденията в компактно латентно състояние и прогнозират в това пространство
    • Те напълно игнорират изображенията
    • Те използват само аудио
    • Те съхраняват всеки необработен кадър завинаги
  6. What is a potential motivation for using a world model in robotics?
    • Guarantee every simulated action is safe to deploy
    • Explore candidate actions in learned dynamics with fewer real-world interactions, while validating model accuracy
    • Avoid testing the model against any real observations
    • Prove a visually realistic frame is physically accurate
  7. What techniques did DreamerV3 report for improving learning stability across diverse domains?
    • A fixed image resize and no reward modeling
    • A hand-written controller for every game
    • Normalization, balancing, and transformations
    • Removing all state observations from training
  8. Why does visually plausible output from a learned simulator not by itself prove accurate dynamics?
    • Visual models cannot process actions
    • Every rendered image is a ground-truth sensor measurement
    • Plausibility guarantees accurate forces and collisions
    • A realistic-looking frame may still depict incorrect physical state changes