引导式测验 · 中等 等级
世界模型和学习模拟器测验
探索世界模型如何预测环境变化、支持在想象状态下的规划，以及生成交互式模拟体验。
问题 1 的 8
世界模特的核心工作是什么？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 世界模特的核心工作是什么？
- 预测给定状态和动作的环境如何变化
- 用类别标记图像
- 将文本压缩到嵌入中
- 路由网络数据包
- 在 2018 年的 World Models DoomTakeCover 实验中，控制器是在哪里训练的？
- 仅在真实硬件上
- 在模型自己习得的环境“梦想”中
- 在公共云机器人集群上
- 仅使用语言数据
- DeepMind 的 DreamerV3 取得了哪些显着的成就？
- 写小说
- 翻译 100 种语言
- 使用从想象轨迹中进行策略学习的方法在 Minecraft 中收集钻石
- 设计微芯片
- Google 的精灵有什么作用？
- 压缩视频以进行流式传输
- 对搜索结果进行排序
- 培养语言导师
- 从图像和未标记的视频生成可控制、可播放的 2D 世界
- 许多世界模型如何使图像等高维输入的预测问题易于处理？
- 他们将观察结果编码成紧凑的潜在状态并在该空间中进行预测
- 他们完全忽略图像
- 他们只使用音频
- 他们永远存储每个原始帧
- 在机器人技术中使用世界模型的潜在动机是什么？
- 确保每个模拟动作都可以安全部署
- 在学习到的动力学中探索候选动作，减少与真实世界的交互，同时验证模型的准确性
- 避免针对任何真实观测结果测试模型
- 证明视觉逼真的画面在物理上是准确的
- DreamerV3 报告了哪些用于提高跨不同领域学习稳定性的技术？
- 固定的图像调整大小且无奖励建模
- 为每个游戏编写一个手写的控制器
- 归一化、平衡和变换
- 从训练中移除所有状态观测值
- 为什么学习到的模拟器产生的视觉上合理的输出本身并不能证明动力学准确？
- 视觉模型无法处理动作
- 渲染出的每个图像都是地面真实传感器测量值
- 合理性保证了准确的力和碰撞
- 看起来逼真的画面仍可能描绘出不正确的物理状态变化