Kuis Model Dunia dan Simulator yang Dipelajari

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa tugas inti model dunia?
   • Untuk memprediksi bagaimana perubahan lingkungan berdasarkan keadaan dan tindakan
   • Untuk memberi label pada gambar dengan kategori
   • Untuk mengompresi teks menjadi embeddings
   • Untuk merutekan paket jaringan
2. In the 2018 World Models DoomTakeCover experiment, where was the controller trained?
   • Hanya pada perangkat keras nyata
   • Di dalam 'impian' model yang dipelajarinya sendiri tentang lingkungan
   • Di sekelompok robot cloud publik
   • Hanya menggunakan data bahasa
3. Prestasi penting apa yang dicapai DreamerV3 DeepMind?
   • Menulis novel
   • Menerjemahkan 100 bahasa
   • Collecting diamonds in Minecraft using policy learning from imagined trajectories
   • Merancang mikrochip
4. Apa yang dilakukan Jin Google?
   • Kompres video untuk streaming
   • Mengurutkan hasil pencarian
   • Melatih tutor bahasa
   • Menghasilkan dunia 2D yang dapat dikontrol dan diputar dari gambar dan video tanpa label
5. Bagaimana banyak model dunia menjaga agar masalah prediksi dapat ditangani untuk masukan berdimensi tinggi seperti gambar?
   • Mereka mengkodekan pengamatan ke dalam keadaan laten yang kompak dan memprediksi dalam ruang tersebut
   • Mereka mengabaikan gambar itu sepenuhnya
   • Mereka hanya menggunakan audio
   • Mereka menyimpan setiap frame mentah selamanya
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