# DRILL शोध में पिक्सेल अनुमान नहीं, नीति सुधारने पर जोर

> नए शोध के मुताबिक, रीइन्फोर्समेंट लर्निंग की नीतियों को बेहतर बनाने पर केंद्रित वर्ल्ड मॉडल, पिक्सेल का सटीक अनुमान लगाने वाले मॉडल से बेहतर प्रदर्शन कर सकते हैं। इनसे सफलता दर 13 अंक तक बढ़ी।

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

Zhaolu Kang के नेतृत्व में शोधकर्ताओं ने DRILL नाम का एक शोधपत्र जारी किया है। इसमें वीडियो वर्ल्ड मॉडल को अगला फ्रेम सटीकता से बताने के बजाय नीति के प्रदर्शन को बेहतर बनाने के लिए प्रशिक्षित किया जाता है। NeurIPS 2026 में पेश इस तरीके के दो संस्करण हैं: DRILL‑VWI, जो अनुमान की त्रुटियों को अलग-अलग महत्व देता है, और DRILL‑IMG, जो मेटा-ग्रेडिएंट तरीका अपनाता है। पांच मैनिपुलेशन सिम्युलेटर पर हुए परीक्षणों में DRILL‑IMG ने पिछले WMPO बेसलाइन की तुलना में सफलता दर 13.1 अंक बढ़ाई। शोधपत्र का तर्क है कि पिक्सेल की त्रुटि कम होने से नीतियां बेहतर हों, यह जरूरी नहीं।

## तथ्य

- शोधपत्र 2026-10-23 को प्रकाशित हुआ ("Fri Oct 23 2026 06:00:00 GMT+0200")
- DRILL‑IMG ने WMPO की तुलना में औसत सफलता दर 13.1 अंक बढ़ाई

## यह क्यों मायने रखता है

रोबोट मैनिपुलेशन सिस्टम बनाने वालों के लिए, वर्ल्ड मॉडल का प्रशिक्षण नीति के नतीजों पर केंद्रित करने से सिम्युलेटर पर अतिरिक्त रन किए बिना काम की विश्वसनीयता बेहतर हो सकती है।

## स्रोत और संदर्भ

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

अंतिम अपडेट: 2026-10-23