Машинное обучение RU
Фотография
нажмите — покажем
нажмите — покажем
🔥 World Models для робототехники начинают учитывать геометрию latent space, а не считать её просто «плоским» векторным пространством.
Идея JEPA, которую много лет продвигает Yann LeCun, получила интересное развитие: в GeoWorld latent-представления переносятся в гиперболическое пространство, а planning и reinforcement learning выполняются уже с учётом этой геометрии.
Почему это важно:
обычный подход предполагает, что расстояния между состояниями можно измерять как в евклидовом пространстве. Но сложные иерархические состояния мира могут лучше описываться искривлёнными manifold.
GeoWorld использует:
Hyperbolic JEPA → Geometric RL → multi-step planning
На CrossTask и COIN авторы получили примерно +3% success rate на 3 шагах и +2% на 4 шагах относительно V-JEPA 2.
Параллельно работа LeCun и соавторов по LeJEPA показывает, что структура latent space напрямую влияет на возможность корректного планирования.
Похоже, следующий этап world models - это уже не только «научить модель предсказывать мир», но и правильно описать геометрию пространства, в котором она этот мир представляет.
arxiv.org/pdf/2603.12231
24 · 1.8K ·