# DRILL allena i world model a migliorare le policy, non a prevedere i pixel

> Una nuova ricerca mostra che i world model ottimizzati per migliorare le policy di reinforcement learning possono superare quelli fedeli ai pixel, aumentando il tasso di successo fino a 13 punti.

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

Un gruppo di ricercatori guidato da Zhaolu Kang ha pubblicato uno studio su DRILL, un metodo che allena i world model video per migliorare le prestazioni delle policy, invece di prevedere con precisione il fotogramma successivo. Presentato a NeurIPS 2026, il metodo prevede due versioni: DRILL‑VWI, che ripesa gli errori di previsione, e DRILL‑IMG, basato su un approccio a meta-gradienti. Nei test condotti su cinque simulatori di manipolazione, DRILL‑IMG ha migliorato il tasso di successo di 13,1 punti rispetto al precedente modello di riferimento WMPO. Lo studio sostiene che un errore sui pixel più basso non garantisce policy migliori.

## I fatti

- Studio pubblicato il 2026-10-23 ("Fri Oct 23 2026 06:00:00 GMT+0200")
- DRILL‑IMG ha aumentato il tasso medio di successo di 13,1 punti rispetto a WMPO

## Perché conta

Per chi sviluppa sistemi robotici di manipolazione, concentrare l’addestramento dei world model sui risultati delle policy potrebbe rendere più affidabili le prestazioni nei compiti, senza richiedere ulteriori esecuzioni del simulatore.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-10-23