SG-JEPA 论文:世界模型「地球训练、火星部署」,零样本物理泛化误差减半
randall_balestr · x · 2026-09-11
arXiv 论文(2609.10464)提出 Semigroup-JEPA(SG-JEPA),研究世界模型能否学到足够好的物理规律,在训练时从未见过的动力学条件下零样本泛化——口号是「在地球训练,在火星部署」。
方法与结果:
- 在 LeWorld 框架基础上,通过 action-conditioning 把控制物理规律的参数(如引力)输入时序模型,并联合训练编码器与预测器,以自回归 latent rollout 保证 latent 动力学一致性;
- 评测设计:不同引力场下的动力学任务,物理定律相同但动力学性质迥异(弱引力下的漂浮到强引力下的快速弹跳);
- 效果:对比 DINO-WM,二维数据集开环预测误差最多降低 2 倍,三维机器人数据集(配独立 diffusion policy)控制成功率最高提升 2.5 倍;
- 理论解释:作者构建线性特征模型,区分局部规律条件误差与 rollout 过程中的递归放大,发现把多步 rollout 损失反传到表示层,可训练编码器保留对泛化有用的特征。
「具身」频道最新
- Nori Robotics 3D 打印人形机器人，单台成本仅 1688 美元 — ycombinator · 2026-09-11
- 前 NASA 工程师推出三机编队：自动发现、诊断并扑灭城市野火 — alex_verem · 2026-09-11
- 中国已实现 2000 公里外远程操控工程机械，端到端延迟低于 30ms — rohanpaul_ai · 2026-09-11
- ESP32数字宠物串门约会：几美元硬件玩出AI陪伴新花样 — floguo · 2026-09-11
- AI接管实体产品：TIME P1原型让Agent控制桌面设备的启示 — genmon · 2026-09-11
- 给 AI 一张信用卡:它自己采购零件做出 DJ 控制器 — bigblueboo · 2026-09-11