註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

WangNextDoor
@WangNextDoor2
Engineer/entrepreneur in CA, Tesla/NVDA/AI & Robotics bull. Elon & All-In Podcast enthusiast. Believer in a universal high-income future.
加入 April 2021
19.1K 正在關注    110.9K 粉絲
DeepMind 联合伯克利做了个实验,用了 1680 个起始帧:箱子在桌沿前后差几毫米,一个落地,一个掉下去。11 个视频世界模型全都失败,最好的准确率只有 18.3%,比随机猜的 25% 还低。 规模也不管用,物理 AI 专用的 Cosmos3-Super 准确率是 13.7%,通用的 Wan2.2 是 14.0%,基本打平。但让视觉语言模型用代码测量像素、不靠目测之后,把箱子放上桌沿的那一步判断的准确率从 31.3% 冲到 93.3%。 逼真的像素不等于真正抓住了物理状态。预测不出临界点两侧不同未来的模型,不该交给机器人去做规划。这次的解法,是把 coding 里那套精确测量平移过去;不过这毕竟是预印本,数字先当个参考。
顯示更多