محققان در پژوهشی جدید برای حل چالشهای «مدلهای جهان» (World Models)، راهکار خلاقانهای ارائه دادهاند. مدلهای فعلی در یادگیریهای چندوظیفهای (Multi-task) دچار مشکلاتی مثل «تداخل بازنماییها» میشوند که باعث افت عملکرد میگردد.
تکنیک جدید آنها به جای تمرکز بر توزیع کلی، از «باقیماندههای زمانی مرکزی» (Temporally Centered Residuals) استفاده میکند. نتیجه؟ بهبود خیرهکننده ۱.۷ برابری در بنچمارک LIBERO و رسیدن نرخ موفقیت از ۵۳٪ به ۷۳٪! این یعنی گامی بزرگ به سمت رباتهایی که در محیطهای پیچیده و متنوع، بسیار دقیقتر عمل میکنند.
این تحقیق نشان میدهد چطور با اصلاحات جزئی در ریاضیاتِ مدلهای پایه، میتوان عملکرد کلی هوش مصنوعی را در کارهای طولانیمدت به شکل چشمگیری ارتقا داد. 🔥
منبع: arXiv Machine Learning