JEPA-TTT:测试时持续训练让世界模型动力学偏移下误差降83%
JHU · hf · 2026-10-06
约翰霍普金斯大学团队提出 JEPA-TTT,一种针对预训练动作条件 JEPA 世界模型的持续测试时训练方法。
- 核心思路:在测试时持续对潜在动力学预测器做自监督更新,且更新跨 episode 累积;视觉编码器和奖励头保持冻结,以保留预训练表征与任务目标。
- 规划无需目标图像或在线环境奖励:规划直接基于世界模型完成。
- 密集回放机制:在每个时间偏移处构建预测窗口,存入持续增长的缓冲区,并从中采样 minibatch 更新预测器。
- 实验结果:在 4 个连续控制环境的 8 种动力学偏移下,JEPA-TTT 均提升规划表现;500 个测试 episode 后,自回归潜在预测误差平均降低 83%,规划性能比冻结 JEPA 世界模型提升 153%。
「具身」频道最新
- 售价 $3500 低于零件成本,本地 AI 机被质疑商业模式不成立 — BLUECOW009 · 2026-10-06
- Waymo 第六代传感器套件原始激光雷达点云图曝光 — reed · 2026-10-06
- RT-SAFE 基准：8 个前沿 VLM 94.1% 到达目标，仅 0.7% 全程无安全事件 — Lianhuiq · 2026-10-06
- 「Vibe Robotics」基准：让前沿模型在物理仿真里造真机器人 — kaixhin · 2026-10-06
- PointWAM:3D 世界动作模型让灵巧操作超越 SOTA 达 11.7 点 — Chunghyun Park · 2026-10-06
- PRISM：4 段真实视频扩成 256 个反事实变体训练人形机器人策略 — berkeley_ai · 2026-10-06