研究與評測
獨立實測 LeCun 團隊 JEPA 世界模型 LeWM:未重訓下改進分層規劃,長程成功率自 22% 提升至 85%
Hacker News單一來源
尚未逐項核實
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。
根據開發者發布的獨立實測分析,針對 Yann LeCun 等人近期推出的 JEPA 架構世界模型「LeWM」,在進行 600 次模擬實驗後發現,在不重新訓練模型權重的前提下,單靠改進規劃演算法即可將 Push-T 機器人模擬任務的長程(75 步)成功率從 22% 大幅推升至 85%。實測首先將 LeWM 的預測器替換為模擬器的精確物理引擎,在每 25 步提供專家子目標的 75 步任務中,原生 LeWM 成功率為 78%,真實物理版本為 77%,顯示模型在訓練路徑上的預測表現已相當於完美物理。
在未給定專家子目標的原生測試中,LeWM 於 25 步短程任務成功率達 89.7%(真實物理為 90.5%),但在 75 步長程任務僅剩 22%。分析顯示,單純替換真實物理僅提升 20 個百分點,而將長任務拆解為 25 步子目標的分層規劃則提升近 60 個百分點;相較之下,耗費 4 倍運算量增加搜尋次數,成功率提升不到 1 個百分點。
為免除對外部專家示範的依賴,作者將訓練資料中約 46 萬個嵌入向量狀態連結為「潛在記憶圖譜」(Latent memory graph)。測試指出 LeWM 嵌入空間距離有 87% 的機率能正確分辨 25 步內可達的狀態;藉由在不同示範軌跡的跳躍間增加成本懲罰,使搜尋路徑更符合實體可行性,最終在 250 項長程任務中將成功率從 62% 推升至 85%,達到專家子目標水準。該項測試目前為獨立第三方部落格發表,官方尚未對此實測數據進行驗證或回應。
讀原始報導社群討論
社群肯定作者的實作記錄,有控制背景的讀者將 JEPA 與 Model Predictive Control(MPC)相互印證,並關注文中透過平移與鏡射示範片段來填補記憶缺口、將成功率拉回 85% 的技巧。然而,不少評論質疑模型的泛化能力,認為一旦缺乏目標附近的專家示範就必須手動修補記憶才能運作是一大缺陷,且階層式規劃等概念早已為人熟知,實測內容更偏向個人學習歷程而非全新的學術發現。