Ein Forschungsteam um Zhaolu Kang hat ein Paper mit dem Titel DRILL veröffentlicht. Darin werden Video-Weltmodelle darauf trainiert, die Leistung von Richtlinien zu verbessern, statt das nächste Bild möglichst genau vorherzusagen. Die auf der NeurIPS 2026 vorgestellte Methode umfasst zwei Varianten: DRILL‑VWI, bei der Vorhersagefehler neu gewichtet werden, und DRILL‑IMG, einen Meta-Gradienten-Ansatz. Tests in fünf Manipulationssimulatoren zeigten, dass DRILL‑IMG die Erfolgsquote gegenüber der bisherigen WMPO-Baseline um 13,1 Punkte steigerte. Dem Paper zufolge führt ein geringerer Pixelfehler nicht zwangsläufig zu besseren Richtlinien.
Warum es wichtig ist
Für Entwickler von Robotersystemen zur Manipulation könnte es zu zuverlässigeren Aufgabenleistungen führen, wenn Weltmodelle auf Ergebnisse der Richtlinien statt auf zusätzliche Simulationsläufe hin trainiert werden.
