CAER：面向世界模型训练的因果动作效应重加权方法

世界模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身正成为具身智能具身智能Embodied AI让 AI 通过机器人身体感知并作用于真实世界，不只在屏幕里回答问题。◆ 小白科普 · 现身的核心基础设施，基于动作条件的视频生成可预测智能体干预后场景的演变。然而现有模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身通常采用空时均匀的均方误差训练，大量背景词元主导梯度，稀疏的交互动态反而欠优化。这种均匀拟合偏向重建外观，而非学习动作如何改变世界。为此，研究者引入因果动作效应重加权（CAER），一种通用训练范式，将监督信号重新分配到预测未来受动作因果影响的词元上。CAER通过对比模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身在有无动作条件下的预测，在线定位这些词元，并将效应图归一化为权重，保持总系数质量不变，仅调整其分配位置。该在线信号无需外部标注或离线预处理，不增加数据处理时间，可随模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身与数据集数据集按统一格式整理好的大批量数据集合，是训练 AI 模型的「教材库」。开源数据集相当于整个行业的公共基础设施。◆ 小白科普 · 现身规模自然扩展。在多种异构动作条件世界模型任务上的实验表明，CAER比均匀MSE训练能收敛到更优解，并在生成视频的物理一致性、可控性和视觉质量上持续带来改进。