Prueba de modelos mundiales y simuladores aprendidos

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Cuál es la tarea central de un modelo mundial?
   • Predecir cómo cambia el entorno dado un estado y una acción.
   • Para etiquetar imágenes con categorías
   • Para comprimir texto en incrustaciones
   • Para enrutar paquetes de red
2. In the 2018 World Models DoomTakeCover experiment, where was the controller trained?
   • Sólo en hardware real
   • Dentro del 'sueño' aprendido por el propio modelo sobre el medio ambiente
   • En un grupo de robots en la nube pública
   • Usar solo datos de idioma
3. ¿Qué hazaña notable logró el DreamerV3 de DeepMind?
   • Escribiendo una novela
   • Traduciendo 100 idiomas
   • Collecting diamonds in Minecraft using policy learning from imagined trajectories
   • Diseñando un microchip
4. ¿Qué hace el genio de Google?
   • Comprime vídeos para streaming
   • Ordena los resultados de la búsqueda
   • Forma tutores de idiomas
   • Genera mundos 2D controlables y reproducibles a partir de imágenes y vídeos sin etiquetar.
5. ¿Cómo logran muchos modelos mundiales mantener manejable el problema de predicción para entradas de alta dimensión como imágenes?
   • Codifican observaciones en un estado latente compacto y predicen en ese espacio.
   • Ignoran las imágenes por completo.
   • Usan solo audio
   • Almacenan cada fotograma sin editar para siempre.
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