Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Câu đố về mô hình thế giới và mô phỏng đã học

Khám phá cách các mô hình thế giới dự đoán những thay đổi của môi trường, hỗ trợ lập kế hoạch ở các trạng thái tưởng tượng và tạo ra trải nghiệm mô phỏng tương tác.

Đường dẫn hướng dẫn liên quanMô hình thế giới và mô phỏng đã học
Câu hỏi 1 của 8

Công việc cốt lõi của một người mẫu thế giới là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Công việc cốt lõi của một người mẫu thế giới là gì?
    • Để dự đoán môi trường thay đổi như thế nào khi có trạng thái và hành động
    • Để gắn nhãn hình ảnh với các danh mục
    • Để nén văn bản vào phần nhúng
    • Để định tuyến các gói mạng
  2. In the 2018 World Models DoomTakeCover experiment, where was the controller trained?
    • Chỉ trên phần cứng thực
    • Bên trong 'giấc mơ' học được của chính người mẫu về môi trường
    • Trên một cụm robot đám mây công cộng
    • Chỉ sử dụng dữ liệu ngôn ngữ
  3. DreamerV3 của DeepMind đã đạt được thành tích đáng chú ý nào?
    • Viết tiểu thuyết
    • Dịch 100 ngôn ngữ
    • Collecting diamonds in Minecraft using policy learning from imagined trajectories
    • Thiết kế một vi mạch
  4. Thần đèn của Google làm gì?
    • Nén video để phát trực tuyến
    • Sắp xếp kết quả tìm kiếm
    • Đào tạo gia sư ngôn ngữ
    • Tạo thế giới 2D có thể điều khiển, phát được từ hình ảnh và video không gắn nhãn
  5. Làm thế nào nhiều mô hình thế giới có thể xử lý được vấn đề dự đoán đối với các đầu vào có chiều cao như hình ảnh?
    • Chúng mã hóa các quan sát thành trạng thái tiềm ẩn nhỏ gọn và dự đoán trong không gian đó
    • Họ hoàn toàn phớt lờ những hình ảnh
    • Họ chỉ sử dụng âm thanh
    • Họ lưu trữ mọi khung hình thô mãi mãi
  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