Kvíz spojený s průvodcem · Střední úroveň

Kvíz o modelech světa a naučených simulátorech

Prozkoumejte, jak světové modely předpovídají změny prostředí, podporují plánování v imaginárních stavech a generují interaktivní simulované zážitky.

Související vodicí cestySvětové modely a naučené simulátory
Otázka 1 z 8

Co je hlavní prací světového modelu?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co je hlavní prací světového modelu?
    • Předvídat, jak se mění prostředí za daného stavu a akce
    • Označení obrázků kategoriemi
    • Pro komprimaci textu do vložení
    • Pro směrování síťových paketů
  2. In the 2018 World Models DoomTakeCover experiment, where was the controller trained?
    • Pouze na skutečném hardwaru
    • Uvnitř modelova vlastního naučeného „snu“ prostředí
    • Ve veřejném cloudovém clusteru robotů
    • Používat pouze jazyková data
  3. Jakého pozoruhodného úspěchu dosáhl DreamerV3 od DeepMind?
    • Psaní románu
    • Překlad 100 jazyků
    • Collecting diamonds in Minecraft using policy learning from imagined trajectories
    • Návrh mikročipu
  4. Co dělá Genie Google?
    • Komprimuje videa pro streamování
    • Třídí výsledky vyhledávání
    • Školí lektory jazyků
    • Generuje ovladatelné, hratelné 2D světy z obrázků a neoznačeného videa
  5. Jak mnoho světových modelů udržuje problém předpovědi řešitelný pro vysokorozměrné vstupy, jako jsou obrázky?
    • Kódují pozorování do kompaktního latentního stavu a předpovídají v tomto prostoru
    • Obrázky zcela ignorují
    • Používají pouze zvuk
    • Uchovávají každý surový rám navždy
  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