Questionário sobre modelos mundiais e simuladores aprendidos

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é a função central de um modelo mundial?
   • Para prever como o ambiente muda dado um estado e uma ação
   • Para rotular imagens com categorias
   • Para compactar texto em incorporações
   • Para rotear pacotes de rede
2. In the 2018 World Models DoomTakeCover experiment, where was the controller trained?
   • Somente em hardware real
   • Por dentro do “sonho” aprendido pelo modelo com o meio ambiente
   • Em um cluster de robôs em nuvem pública
   • Usando apenas dados de idioma
3. Que feito notável o DreamerV3 da DeepMind alcançou?
   • Escrevendo um romance
   • Traduzindo 100 idiomas
   • Collecting diamonds in Minecraft using policy learning from imagined trajectories
   • Projetando um microchip
4. O que o Gênio de Google faz?
   • Compacta vídeos para streaming
   • Classifica os resultados da pesquisa
   • Treina professores de idiomas
   • Gera mundos 2D controláveis e jogáveis a partir de imagens e vídeos não rotulados
5. Como muitos modelos mundiais mantêm o problema de previsão tratável para entradas de alta dimensão, como imagens?
   • Eles codificam as observações em um estado latente compacto e prevêem nesse espaço
   • Eles ignoram totalmente as imagens
   • Eles usam apenas áudio
   • Eles armazenam cada quadro bruto para sempre
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