🤖 AI

World Models That Know When They Don't Know - Controllable Video Generation with Calibrated Uncertainty

यह शोधपत्र C3 का प्रस्ताव करता है, जो एक नवीन अनिश्चितता मात्रा निर्धारण (uncertainty quantification) विधि है जो नियंत्रित वीडियो मॉडलों को लेटेंट स्पेस में अनिश्चितता का अनुमान लगाने और कड़ाई से उचित स्कोरिंग नियमों (strictly proper scoring rules) का उपयोग करने के माध्यम से सब-पैच स्तर पर उच्च-रिज़ॉल्यूशन, कैलिब्रेटेड कॉन्फिडेंस हीटमैप उत्पन्न करने के लिए प्रशिक्षित करती है, जिससे रोबोटिक्स अनुप्रयोगों के लिए विश्वसनीय मतिभ्रम पहचान (hallucination detection) और आउट-ऑफ-डिस्ट्रीब्यूशन पहचान सक्षम होती है।

मूल लेखक: Zhiting Mei, Tenny Yin, Micah Baker, Ola Shorinwa, Anirudha Majumdar

प्रकाशित 2026-03-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhiting Mei, Tenny Yin, Micah Baker, Ola Shorinwa, Anirudha Majumdar

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट, जादुई वीडियो कैमरा है जो भविष्य की भविष्यवाणी कर सकता है। आप इसे कहते हैं, "रोबोटिक हाथ, उस लाल कप को उठाओ," और यह तुरंत ठीक वैसा ही वीडियो बना देता है जैसा आगे होने वाला है। यही वह काम है जो आधुनिक कंट्रोलेबल वीडियो मॉडल्स (Controllable Video Models) करते हैं। वे रोबोट के हिलने-डुलने, वस्तुओं के गिरने और दृश्यों के विकसित होने के बेहद वास्तविक वीडियो बनाने में अविश्वसनीय हैं।

लेकिन एक समस्या है: ये कैमरे कभी-कभी झूठ बोलते हैं।

एक ऐसे दिवास्वप्न देखने वाले की तरह जो अपनी ही कल्पना में खो जाता है, ये AI मॉडल कभी-कभी "हैलुसिनेट" (hallucinate) करते हैं। वे दिखा सकते हैं कि रोबोट एक ऐसा कप उठा रहा है जो वहां है ही नहीं, या कप बदलकर केला बन जाता है, या रोबोट का हाथ मेज के आर-पार निकल जाता है। डरावनी बात यह है कि AI को पता ही नहीं चलता कि वह झूठ बोल रहा है। वह आपको वह नकली वीडियो पूरी तरह से आत्मविश्वास के साथ दिखाता है, जिससे आपको लगता है कि यह असली है।

यह रोबोटिक्स के लिए एक बहुत बड़ी समस्या है। यदि किसी सेल्फ-ड्राइविंग कार का "भविष्य का विजन" यह कल्पना (hallucinate) कर ले कि एक पैदल यात्री एक बादल है, तो वह दुर्घटना कर सकती है। हमें AI को बताने का एक तरीका चाहिए: "हे, तुम इस हिस्से के बारे में पक्का नहीं हो। इस पर भरोसा मत करो।"

पेश है C3: AI वीडियो के लिए एक "ईमानदारी डिटेक्टर"

प्रिंसटन यूनिवर्सिटी के शोधकर्ताओं ने C3 (कैलिब्रेटेड कंट्रोलेबल कंटीन्यूअस - Calibrated Controllable Continuous) नामक एक नया सिस्टम बनाया है। C3 को एक नए कैमरे के रूप में नहीं, बल्कि वीडियो जनरेटर के ठीक बगल में बैठे एक सत्य बोलने वाले सुपरवाइजर के रूप में समझें।

C3 कैसे काम करता है, इसके लिए कुछ सरल उपमाओं का उपयोग किया गया है:

1. "कॉन्फिडेंस स्कोरकार्ड" (सिर्फ एक तस्वीर के बजाय)

आमतौर पर, जब कोई AI वीडियो बनाता है, तो वह बस आपको एक तस्वीर दे देता है। C3 एक दूसरा स्तर जोड़ता है: एक कॉन्फिडेंस स्कोरकार्ड।

उपमा: एक मौसम विज्ञानी की कल्पना करें। एक सामान्य मौसम विज्ञानी कहता है, "कल बारिश होगी।" C3 एक ऐसे मौसम विज्ञानी की तरह है जो कहता है, "कल बारिश होगी, लेकिन मैं शहर के उत्तरी हिस्से के बारे में केवल 40% ही निश्चित हूँ।"
यह कैसे काम करता है: C3 वीडियो को छोटे-छोटे टुकड़ों (सबपैचेस) में तोड़ देता है। हर एक टुकड़े के लिए, यह AI से पूछता है: "तुम कितने निश्चित हो कि यह पिक्सेल असली है?" यदि AI केवल अनुमान लगा रहा है, तो C3 उस जगह को एक लाल हीट मैप (चेतावनी संकेत की तरह) के साथ चिह्नित कर देता है। यदि AI आश्वस्त है, तो वह ठंडा और नीला रहता है।

2. "गुप्त भाषा" का तरीका (लेटेंट स्पेस)

यह जांचने के लिए कि क्या AI झूठ बोल रहा है, आप वीडियो को देख सकते हैं और उसकी वास्तविकता से तुलना कर सकते हैं। लेकिन इसमें बहुत समय लगता है और एक सुपरकंप्यूटर की आवश्यकता होती है।

उपमा: कल्पना कीजिए कि आप एक शेफ द्वारा पकाए गए परफेक्ट स्टेक को जांचने के लिए अंतिम व्यंजन को चख रहे हैं (पिक्सेल स्पेस)। यह धीमा और अव्यवस्थित है। C3 अधिक स्मार्ट है। यह शेफ के आंतरिक विचारों को सुनता है जब वे अभी भी रसोई के अंदर होते हैं (लेटेंट स्पेस)।
यह कैसे काम करता है: AI वीडियो मॉडल वास्तव में पिक्सेल नहीं देखते; वे एक संकुचित, गुप्त भाषा में सोचते हैं जिसे "लेटेंट स्पेस" कहा जाता है। C3 इस गुप्त भाषा को पढ़ना सीखता है। यह वीडियो के पूरी तरह से बनने से पहले ही AI के आंतरिक आत्मविश्वास की जांच करता है। यह इसे बहुत तेज़ और सस्ता बनाता है, भले ही बड़े मॉडल्स पर चलाया जाए।

3. AI को "मुझे नहीं पता" कहना सिखाना

सबसे बड़ा नवाचार यह है कि उन्होंने AI को ईमानदार होना कैसे सिखाया।

उपमा: एक छात्र की कल्पना करें जो परीक्षा दे रहा है। यदि वह रैंडम अनुमान लगाता है और सही होता है, तो उसे गोल्ड स्टार मिलता है। लेकिन यदि वह अनुमान लगाता है और गलत होता है, तो उसे दंड मिलता है। C3 एक विशेष स्कोरिंग नियम (जिसे प्रॉपर स्कोरिंग रूल कहा जाता है) का उपयोग करता है जो AI को दंडित करता है यदि वह वास्तव में गलत होने पर बहुत अधिक आत्मविश्वासी होता है।
परिणाम: AI सीखता है कि अपनी अनिश्चितता के बारे में ईमानदार होना, एक जीनियस होने का ढोंग करने से कहीं अधिक मूल्यवान है। यह एक झूठी कहानी बनाने के बजाय यह कहना सीख जाता है, "मुझे इस बारे में यकीन नहीं है।"

यह क्यों मायने रखता है? (वास्तविक दुनिया का परीक्षण)

शोधकर्ताओं ने एक वास्तविक रोबोट लैब में C3 का परीक्षण किया। उन्होंने रोबोट को ऐसे कार्य दिए जो उसने पहले कभी नहीं देखे थे, जैसे:

नए बैकग्राउंड: किचन में एक कंकाल रखना।
अजीब लाइटिंग: लाइटों को तेजी से चालू और बंद करना।
अजीब उपकरण: रोबोट के हाथ में एक तौलिया लगाना।

परिणाम:
जब रोबोट ने इन अजीब कार्यों को करने की कोशिश की, तो वीडियो जनरेटर ने हैलुसिनेशन (जैसे, रोबोट का हाथ एक ढेर में बदलना) शुरू कर दिया।

C3 के बिना: रोबोट एक नकली वीडियो बनाता और उस पर काम करने की कोशिश करता, जिससे दुर्घटना हो सकती थी या चीजें टूट सकती थीं।
C3 के साथ: जैसे ही रोबलेट को अजीब लाइटिंग या कंकाल का सामना करना पड़ा, C3 ने स्क्रीन को चमकते लाल चेतावनी क्षेत्रों के साथ रोशन कर दिया। इसने सिस्टम को बताया, "रुको! मुझे नहीं पता कि यहाँ क्या हो रहा है। इस वीडियो पर भरोसा न करें!"

मुख्य निष्कर्ष

C3 AI की कल्पना के लिए एक सुरक्षा जाल की तरह है।

यह रोबोटों को भविष्य को "देखने" के लिए शक्तिशाली वीडियो मॉडल्स का उपयोग करने की अनुमति देता है, लेकिन यह उनमें आत्म-जागरूकता का एक महत्वपूर्ण स्तर जोड़ता है। यह सुनिश्चित करता है कि जब AI असंभव भौतिकी (जैसे वस्तुओं का गायब होना या रंग बदलना) के सपने देखने लगे, तो वह तुरंत रेड फ्लैग (चेतावनी) उठा दे।

एक ऐसी दुनिया में जहाँ हम चाहते हैं कि रोबोट हमारे घरों और अस्पतालों में हमारी मदद करें, हमें केवल ऐसे रोबोट नहीं चाहिए जो स्मार्ट हों; हमें ऐसे रोबोट चाहिए जिन्हें पता हो कि वे कब नहीं जानते। C3 उन्हें वह विनम्रता प्रदान करता है।

यहाँ शोध पत्र "World Models That Know When They Don't Know: Controllable Video Generation with Calibrated Uncertainty" (C3) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जेनरेटिव वीडियो मॉडल (जैसे, टेक्स्ट या रोबोटिक क्रियाओं पर आधारित डिफ्यूजन-आधारित मॉडल) में हालिया प्रगति ने उच्च-गुणवत्ता वाले संश्लेषण (high-fidelity synthesis) को प्राप्त किया है। हालाँकि, इन मॉडलों में दो महत्वपूर्ण सीमाएँ हैं जो रोबोटिक्स जैसे सुरक्षा-महत्वपूर्ण डोमेन में उनकी तैनाती में बाधा डालती हैं:

भ्रम (Hallucination): मॉडल अक्सर ऐसे भविष्य के फ्रेम उत्पन्न करते हैं जो भौतिक रूप से असंगत होते हैं या वास्तविकता के साथ संरेखित नहीं होते (जैसे, वस्तुओं का आकार बदलना, गायब होना, या भौतिकी के नियमों का उल्लंघन करना)।
विश्वास अनुमान का अभाव (Lack of Confidence Estimation): मौजूदा मॉडल अपनी अनिश्चितता का आकलन या अभिव्यक्ति नहीं कर सकते। वे इस बात की परवाह किए बिना समान आत्मविश्वास के साथ आउटपुट उत्पन्न करते हैं कि इनपुट प्रशिक्षण वितरण (training distribution) के भीतर है या भविष्यवाणी के भ्रम होने की संभावना है।
मौजूदा UQ की सीमाएँ: वीडियो के लिए पूर्ववर्ती अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification - UQ) विधियाँ या तो गणनात्मक रूप से अव्यवहार्य हैं (जिसके लिए अरबों-पैरामीटर वाले मॉडलों पर एंसेम्बल या मोंटे कार्लो सैंपलिंग की आवश्यकता होती है) या उनमें स्थानिक/कालिक सूक्ष्मता (spatial/temporal granularity) की कमी है (जो पूरे वीडियो के लिए केवल एक एकल स्केलर कॉन्फिडेंस स्कोर प्रदान करती है, न कि फ्रेम-स्तरीय या पिक्सेल-स्तरीय अनुमान)।

2. कार्यप्रणाली: C3 (Methodology: C3)

लेखक C3 (कैलिब्रेटेड कंटीन्यूअस-स्केल कंट्रोलेबल वीडियो जनरेशन) का प्रस्ताव करते हैं, जो एक अनिश्चितता मात्रा निर्धारण ढांचा है जिसे वीडियो मॉडल को सब-पैच स्तर (सघन, निरंतर स्केल) पर अपना आत्मविश्वास अनुमानित करने के लिए प्रशिक्षित करने हेतु डिज़ाइन किया गया है।

मुख्य वास्तुकला (Core Architecture)

C3 एक लेटेंट डिफ्यूजन ट्रांसफॉर्मर (DiT) ढांचे के भीतर कार्य करता है। पिक्सेल स्पेस में अनिश्चितता का अनुमान लगाने के बजाय (जो गणनात्मक रूप से महंगा है), C3 सीधे लेटेंट स्पेस में UQ करता है।

वीडियो जनरेशन: यह एक मानक लेटेंट डिफ्यूजन प्रक्रिया का उपयोग करता है जहाँ इनपुट वीडियो फ्रेम और क्रियाओं को VQ-VAE के माध्यम से एक लेटेंट स्पेस $U$ में एनकोड किया जाता है।
UQ प्रोब ( $f_\phi$ ): एक हल्का ट्रांसफॉर्मर-आधारित प्रोब वीडियो जनरेशन पाइपलाइन में एकीकृत किया गया है। यह DiT के पेनल्टीमेट लेयर (penultimate layer) से आंतरिक लेटेंट फीचर्स ( $z$ ), क्रिया और टाइमस्टेप एम्बेडिंग्स ( $c$ ) को लेता है, ताकि एक सघन कॉन्फिडेंस मैप $\hat{q}$ की भविष्यवाणी की जा सके।
सह-प्रशिक्षण (Simultaneous Training): वीडियो जनरेशन मॉडल ( $\theta$ ) और UQ प्रोब ( $\phi$ ) को जनरेशन सटीकता और कैलिब्रेशन दोनों को अनुकूलित करने के लिए संयुक्त रूप से (या स्टॉप-ग्रेडिएंट के साथ स्वतंत्र रूप से) प्रशिक्षित किया जाता है।

प्रमुख तकनीकी नवाचार (Key Technical Innovations)

कैलिब्रेशन के लिए प्रॉपर स्कोरिंग रूल्स (Proper Scoring Rules for Calibration):
लेखक अनिश्चितता अनुमान को उत्पन्न वीडियो की सटीकता पर एक वर्गीकरण समस्या के रूप में देखते हैं। यह सुनिश्चित करने के लिए कि अनुमानित कॉन्फिडेंस $\hat{q}$ कैलिब्रेटेड है (अर्थात, यदि मॉडल 80% आत्मविश्वास का अनुमान लगाता है, तो वह 80% बार सही होता है), वे लॉस फंक्शन के रूप में स्ट्रिक्टली प्रॉपर स्कोरिंग रूल्स का उपयोग करके मॉडल को प्रशिक्षित करते हैं:
- ब्रियर स्कोर (Brier Score - BS): फिक्स्ड-स्केल बाइनरी क्लासिफिकेशन के लिए उपयोग किया जाता है।
- क्रॉस-एन्ट्रॉपी (Cross-Entropy - CE): मल्टी-क्लास क्लासिफिकेशन के लिए उपयोग किया जाता है।
- बाइनरी क्रॉस-एन्ट्रॉपी (Binary Cross-Entropy - BCE): कंटीन्यूअस-स्केल क्लासिफिकेशन के लिए उपयोग किया जाता है।
  यह दृष्टिकोण विशिष्ट संभाव्यता वितरणों से जुड़े इंडक्टिव बायस (inductive biases) को समाप्त करता है और मॉडल को सटीकता की वास्तविक संभावना सीखने के लिए मजबूर करता है।
तीन वास्तुकला वेरिएंट (Three Architectural Variants):
- फिक्स्ड-स्केल क्लासिफिकेशन (FSC): एक एकल, निश्चित त्रुटि थ्रेशोल्ड $\epsilon$ के विरुद्ध सटीकता की भविष्यवाणी करता है।
- मल्टी-क्लास क्लासिफिकेशन (MCC): त्रुटि स्थान को बिनों (bins) में विभाजित करता है और एक विशिष्ट बिन में गिरने की संभावना की भविष्यवाणी करता है।
- कंटीन्यूअस-स्केल बाइनरी क्लासिफिकेशन (CS-BC): सबसे लचीला वेरिएंट है। यह इन्फरेंस के समय निर्दिष्ट एक मनमाने त्रुटि थ्रेशोल्ड $\epsilon$ पर अपनी भविष्यवाणी को कंडिशन करता है, जिससे रेजोल्यूशन-स्वतंत्र कॉन्फिडेंस अनुमान संभव होता है।
लेटेंट-टू-पिक्सेल डिकोडिंग (Latent-to-Pixel Decoding):
चूंकि कॉन्फिडेंस मैप $\hat{q}$ लेटेंट स्पेस में मौजूद है, इसलिए यह सीधे व्याख्या योग्य नहीं है। लेखक इसे RGB स्पेस में डिकोड करने के लिए निम्नलिखित कदम उठाते हैं:
- मोनोक्रोमैटिक (लाल, हरा, नीला) वीडियो फ्रेम को एनकोड करके एक "लेटेंट कलर मैप" का निर्माण करना।
- अनुमानित कॉन्फिडेंस मानों को इस कलर मैप पर इंटरपोलेट करना।
- परिणाम को पिक्सेल स्पेस में डिकोड करना ताकि अनिश्चितता हीटमैप (uncertainty heatmaps) उत्पन्न हो सकें, जहाँ लाल रंग उच्च अनिश्चितता (भ्रम) को दर्शाता है और नीला/हरा रंग उच्च आत्मविश्वास को दर्शाता है।

3. प्रमुख योगदान (Key Contributions)

सघन स्थानिक-कालिक UQ (Dense Spatio-Temporal UQ): C3 कंट्रोलेबल वीडियो जनरेशन के लिए सब-पैच-लेवल कॉन्फिडेंस अनुमान प्रदान करने वाला पहला तरीका है, जो भ्रम (hallucinations) के सटीक स्थानीयकरण को सक्षम बनाता है।
लेटेंट-स्पेस दक्षता (Latent-Space Efficiency): पिक्सेल स्पेस के बजाय लेटेंट स्पेस में काम करके, C3 पिक्सेल-स्पेस UQ विधियों की अत्यधिक गणनात्मक लागत से बचता है, जिससे यह बड़े पैमाने के SOTA वीडियो मॉडलों के लिए लागू करने योग्य बनता है।
प्रॉपर स्कोरिंग रूल्स के माध्यम से कैलिब्रेशन: स्ट्रिक्टली प्रॉपर स्कोरिंग रूल्स का उपयोग यह सुनिश्चित करता है कि मॉडल के कॉन्फिडेंस अनुमान सांख्यिकीय रूप से अच्छी तरह से कैलिब्रेटेड हैं, जो ओवरकॉन्फिडेंस की समस्या को हल करता है।
व्याख्यात्मकता (Interpretability): यह विधि सहज RGB हीटमैप बनाती है जो भौतिक अंतर्ज्ञान (physical intuition) के साथ संरेखित होती है, और स्पष्ट रूप से उन क्षेत्रों को उजागर करती है जहाँ मॉडल "नहीं जानता"।

4. प्रयोगात्मक परिणाम (Experimental Results)

बड़े पैमाने के रोबोटिक्स डेटासेट (Bridge और DROID) पर और WidowX 250 रोबोट का उपयोग करके वास्तविक दुनिया के प्रयोगों में इस पद्धति का मूल्यांकन किया गया।

कैलिब्रेशन प्रदर्शन (Calibration Performance):
- C3 ने सभी मॉडल वेरिएंट (FSC, MCC, CS-BC) में कम एक्सपेक्टेड कैलिब्रेशन एरर (ECE) और मैक्सिमम कैलिब्रेशन एरर (MCE) प्राप्त किया।
- मॉडल न तो अंडरकॉन्फिडेंट थे और न ही ओवरकॉन्फिडेंट; उन्होंने सटीक भविष्यवाणियों के अभाव में उचित संदेह व्यक्त किया।
व्याख्यात्मकता और भ्रम का पता लगाना (Interpretability & Hallucination Detection):
- गुणात्मक (Qualitative): हीटमैप ने विशिष्ट भ्रमों को सफलतापूर्वक स्थानीयकृत किया, जैसे कि अचानक वस्तुओं का प्रकट होना, गैर-भौतिक विरूपण (non-physical deformations), और रंग परिवर्तन।
- मात्रात्मक (Quantitative): मॉडल के कॉन्फिडेंस और जनरेशन एरर के बीच एक सांख्यिकीय रूप से महत्वपूर्ण नकारात्मक सहसंबंध (जैसे, FSC के लिए -0.373) था। जैसे-जैसे त्रुटि बढ़ी, कॉन्फिडेंस कम हुआ।
आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डिटेक्शन:
- OOD इनपुट (नवीन बैकग्राउंड, अत्यधिक लाइटिंग, क्लटर, अनदेखे एंड-इफेक्टर्स) के साथ वास्तविक दुनिया के परीक्षणों में, C3 ने प्रभावित वीडियो क्षेत्रों में बढ़ी हुई अनिश्चितता को सही ढंग से पहचाना।
- वितरण बदलाव (distribution shifts) के कारण वीडियो की गुणवत्ता काफी कम होने पर भी मॉडल कैलिब्रेटेड रहा।
वीडियो गुणवत्ता (Video Quality):
- UQ मॉड्यूल को जोड़ने से वीडियो जनरेशन की गुणवत्ता में गिरावट नहीं आई। वास्तव में, C3 ने बिना UQ वाले वैनिला मॉडल की तुलना में थोड़ा बेहतर SSIM, PSNR और LPIPS स्कोर दिखाया।
एब्लेशन स्टडीज (Ablation Studies):
- स्टॉप-ग्रेडिएंट (Stop-Gradient): स्टॉप-ग्रेडिएंट ऑपरेटर को हटाने (वीडियो जनरेटर से बैकप्रोपैगेशन की अनुमति देना) से कैलिब्रेशन में महत्वपूर्ण सुधार नहीं हुआ, लेकिन गणनात्मक लागत बढ़ गई।
- डिफ्यूजन फोर्सिंग (Diffusion Forcing): डिफ्यूजन फोर्सिंग का उपयोग करने से कैलिब्रेशन गिर गया, जिससे ओवर-कंजर्वेटिव (अंडरकॉन्फिडेंट) अनुमान प्राप्त हुए।

5. महत्व (Significance)

यह कार्य विश्वसनीय एम्बॉडीड एआई (embodied AI) की दिशा में एक महत्वपूर्ण कदम है। वीडियो वर्ल्ड मॉडल्स को "यह जानने में सक्षम बनाकर कि वे क्या नहीं जानते", C3 निम्नलिखित के लिए एक तंत्र प्रदान करता है:

सुरक्षा (Safety): रोबोटिक्स सिस्टम अनिश्चितता हीटमैप का उपयोग तब फॉलबैक व्यवहार या मानव हस्तक्षेप को ट्रिगर करने के लिए कर सकते हैं जब मॉडल उच्च जोखिम वाले भ्रम की भविष्यवाणी करता है।
विश्वसनीयता (Reliability): यह जेनरेटिव वीडियो मॉडलों को "ब्लैक बॉक्स" से व्याख्या योग्य प्रणालियों में बदल देता है जहाँ आउटपुट का आत्मविश्वास मात्रात्मक और स्थानिक रूप से स्थानीयकृत (spatially localized) होता है।
स्केलेबिलिटी (Scalability): लेटेंट-स्पेस दृष्टिकोण कठोर अनिश्चितता मात्रा निर्धारण को अगले पीढ़ी के अरबों-पैरामीटर वाले वीडियो फाउंडेशन मॉडलों के लिए व्यवहार्य बनाता है।

लेखक निष्कर्ष निकालते हैं कि जबकि सैद्धांतिक गारंटी प्रशिक्षण वितरण के भीतर सख्ती से लागू होती है, C3 OOD परिदृश्यों में मजबूत कैलिब्रेशन प्रदर्शित करता है, जो इसे रोबोटिक्स में वीडियो मॉडलों के व्यावहारिक उपयोग के लिए एक महत्वपूर्ण घटक बनाता है।