Testul pentru modele mondiale și simulatoare învățate

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este munca de bază a unui model mondial?
   • Pentru a prezice modul în care mediul se schimbă având în vedere o stare și o acțiune
   • Pentru a eticheta imaginile cu categorii
   • Pentru a comprima textul în înglobări
   • Pentru a ruta pachete de rețea
2. In the 2018 World Models DoomTakeCover experiment, where was the controller trained?
   • Doar pe hardware real
   • În interiorul „visului” învățat al modelului asupra mediului
   • Pe un cluster de roboți în cloud public
   • Folosind numai date de limbă
3. Ce faptă notabilă a realizat DreamerV3 de la DeepMind?
   • Scrierea unui roman
   • Traducerea în 100 de limbi
   • Collecting diamonds in Minecraft using policy learning from imagined trajectories
   • Proiectarea unui microcip
4. Ce face Genie lui Google?
   • Comprimă videoclipuri pentru streaming
   • Sortează rezultatele căutării
   • Pregătește profesori de limbi străine
   • Generează lumi 2D controlabile și redabile din imagini și videoclipuri neetichetate
5. Cât de multe modele mondiale mențin problema de predicție tratabilă pentru intrări de dimensiuni mari, cum ar fi imagini?
   • Ele codifică observațiile într-o stare latentă compactă și prezic în acel spațiu
   • Ei ignoră complet imaginile
   • Folosesc doar audio
   • Ei stochează pentru totdeauna fiecare cadru brut
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