Test-Time Scaling for World Action Models via Zero-Shot Geometric Evaluation
本文介绍了 \methodgated，这是一个无需训练的框架，它通过利用零样本几何一致性检查来选择性地应用测试时缩放，从而增强了世界动作模型（World Action Models），在提高任务成功率的同时显著降低了不必要的计算成本。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，一个机器人正在学习如何冲泡一杯咖啡。在过去，机器人就像笨拙的幼儿：它们抓起把手，用力一拉，然后听天由命。如果它们弄掉了杯子，它们只会尝试重新开始，希望能从错误中学习。但现代机器人正变得越来越聪明。它们使用一种被称为“世界动作模型”（World Action Models）的技术。可以将这些模型想象成机器人的内部“梦境机”。在机器人实际移动手臂之前，它会在脑海中进行快速模拟，想象如果它抓起杯子、提起并倾倒，未来会是什么样子。它在脑海中预见到了未来。
科学家们提出的核心问题是：我们如何确保机器人的“梦境”是一个好的梦境？在人工智能领域，有一个流行的概念叫做“测试时缩放”（Test-Time Scaling）。这就像给学生更多的时间来参加考试。AI 不仅仅是回答一个问题，而是生成十个不同的可能答案，检查所有答案，然后选出最好的一个。这通常会让 AI 变得更聪明，但也非常昂贵且缓慢，因为它消耗了大量的计算能力。对于机器人来说，在糟糕的想法上浪费时间和精力是危险的；它可能会在“思考”时撞倒一个花瓶。因此，挑战在于如何确定何时值得投入额外的脑力去检查未来，以及如何在不被噪声干扰的情况下选出最好的未来。
这篇论文介绍了一种巧妙且免费的方法来帮助机器人做出这些决策。作者提出了一种名为“Gated GeoBoN”的系统。他们没有强迫机器人检查每一个想法（这很慢），而是构建了一个两步过滤机制。首先，机器人对它的第一个想法进行快速、廉价的观察。它问一个简单的问题：“我计划执行的动作是否真的与我在梦境中看到的动作相匹配？”如果机器人计划提起杯子，但它的梦境显示杯子纹丝不动，这就是一个红旗（警示信号）。机器人随后会触发“门控”（gate）并说：“好吧，这个第一个想法很奇怪。让我们再生成几个选项并仔细检查一下。”
如果第一个想法看起来是一致的，机器人就直接执行它，从而节省时间。但如果触发了门控，机器人就会生成一批新的“梦境”。这里出现了第二步，也是更强大的一步：几何检查。机器人使用一个预训练好的、冻结的几何模型（一个理解 3D 空间的工具）从不同的摄像机角度观察它的新梦境。它会问：“如果我从我的手腕摄像头和主摄像头观察这个未来的场景，它们的 3D 形状是否完美对齐？”如果机器人关于杯子悬浮在半空中的梦境不符合物理学的 3D 规则，系统就会拒绝它。然后，机器人会选择那个看起来在物理上最一致的梦境，并执行该动作。
研究人员在多个机器人基准测试上测试了这种方法，包括开门、冲咖啡和移动物体等任务。他们发现这种方法效果非常好。当他们使用固定数量的检查（例如始终检查 8 个选项）时，机器人的任务完成率提高了。例如，在名为 RoboCasa 的一组任务中，使用一种类型的机器人大脑，成功率从 66.3% 上升到 68.4%，使用另一种类型则从 80.8% 上升到 82.5%。在另一个名为 LIBERO Long 的测试集中，成功率从 97.5% 跳升至 99.3%。
然而，这篇论文也发现了其中的局限性。如果你不断要求更多的选项（比如检查 16 个或 32 个梦境），机器人并不总能变得更聪明。事实上，有时它反而会变差。作者认为这是因为当你拥有大量的选项时，你可能会不小心选到一个“运气好”的坏想法，这个想法仅仅是因为碰巧看起来很一致，而实际上并不是一个好的计划。这被称为“虚假低分选择”（false low-score selection）。
为了解决这个问题，他们使用了这个“门控”系统。通过仅在第一个想法看起来可疑时才进行昂贵的深度检查，他们节省了大量时间。他们发现，这种“门控”方法回收了大约 75% 的全量检查带来的性能收益，但它仅在约 26% 的决策中触发了额外的检查。这意味着机器人大部分时间都保持着快速和高效，只有在真正需要时才会停下来深思熟虑。论文结论指出，使用这些内置的一致性检查是一种强大且免费的方式，可以让机器人变得更聪明，而无需重新训练它们或为它们的大脑添加新的、复杂的部件。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。