Κουίζ World Models and Learned Simulators

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποια είναι η βασική δουλειά ενός παγκόσμιου μοντέλου;
   • Να προβλέψει πώς αλλάζει το περιβάλλον δεδομένης κατάστασης και δράσης
   • Για την επισήμανση εικόνων με κατηγορίες
   • Για συμπίεση κειμένου σε ενσωματώσεις
   • Για τη δρομολόγηση πακέτων δικτύου
2. In the 2018 World Models DoomTakeCover experiment, where was the controller trained?
   • Μόνο σε πραγματικό υλικό
   • Μέσα στο μαθημένο «όνειρο» του ίδιου του μοντέλου για το περιβάλλον
   • Σε ένα δημόσιο σύμπλεγμα ρομπότ cloud
   • Χρησιμοποιώντας μόνο δεδομένα γλώσσας
3. Ποιο αξιοσημείωτο επίτευγμα πέτυχε το DreamerV3 του DeepMind;
   • Γράφοντας ένα μυθιστόρημα
   • Μετάφραση 100 γλωσσών
   • Collecting diamonds in Minecraft using policy learning from imagined trajectories
   • Σχεδιασμός μικροτσίπ
4. Τι κάνει το Τζίνι του Google;
   • Συμπιέζει βίντεο για ροή
   • Ταξινομεί τα αποτελέσματα αναζήτησης
   • Εκπαιδεύει καθηγητές ξένων γλωσσών
   • Δημιουργεί ελεγχόμενους δισδιάστατους κόσμους με δυνατότητα αναπαραγωγής από εικόνες και βίντεο χωρίς ετικέτα
5. Πώς πολλά παγκόσμια μοντέλα διατηρούν το πρόβλημα πρόβλεψης αντιμετωπίσιμο για εισόδους υψηλών διαστάσεων όπως εικόνες;
   • Κωδικοποιούν τις παρατηρήσεις σε μια συμπαγή λανθάνουσα κατάσταση και προβλέπουν σε αυτόν τον χώρο
   • Αγνοούν εντελώς τις εικόνες
   • Χρησιμοποιούν μόνο ήχο
   • Αποθηκεύουν κάθε ακατέργαστο πλαίσιο για πάντα
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