# بحث DRILL: تدريب نماذج العالم لتحسين السياسات لا توقّع الصور

> تُظهر أبحاث جديدة أن نماذج العالم التي تركز على تحسين سياسات التعلم المعزز قد تتفوق على النماذج الدقيقة على مستوى البكسل، رافعةً معدلات النجاح بما يصل إلى 13 نقطة.

Oossa · 2026-10-23 · https://oossa.com/ar/drill-paper-proposes-training-world-models-for-policy-utility-not-pixel-predicti

نشر باحثون بقيادة Zhaolu Kang ورقة بحثية بعنوان DRILL، تدرب نماذج عالم للفيديو على تعزيز أداء السياسات بدلًا من توقع الإطار التالي بدقة. وتضم الطريقة، التي عُرضت في NeurIPS 2026، نسختين: DRILL‑VWI، التي تعيد ترجيح أخطاء التوقع، وDRILL‑IMG، وهي طريقة تعتمد على التدرج الفوقي. وأظهرت اختبارات على خمسة محاكيات للمناولة أن DRILL‑IMG حسّنت معدلات النجاح بمقدار 13.1 نقطة مقارنةً بخط الأساس السابق WMPO. وتجادل الورقة بأن انخفاض خطأ البكسل لا يضمن تحسين السياسات.

## الحقائق

- نُشرت الورقة في 2026-10-23 ("Fri Oct 23 2026 06:00:00 GMT+0200")
- رفعت DRILL‑IMG متوسط معدل النجاح بمقدار 13.1 نقطة مقارنةً بـ WMPO

## لماذا يهم

بالنسبة إلى مطوري أنظمة المناولة الروبوتية، قد يؤدي توجيه تدريب نماذج العالم نحو نتائج السياسات إلى أداء أكثر موثوقية في المهام، من دون الحاجة إلى تشغيل المحاكي مرات إضافية.

## المصادر والمراجع

1. [DRILL: Training World Models to Improve Policies, Not Predict Pixels](https://arxiv.org/abs/2610.30814) – arXiv cs.CV, 2026-10-23

آخر تحديث: 2026-10-23