# DRILL traint wereldmodellen voor betere beleidsstrategieën, niet voor pixelvoorspellingen

> Nieuw onderzoek laat zien dat wereldmodellen die zijn gericht op betere reinforcement-learningstrategieën beter kunnen presteren dan modellen die pixels nauwkeurig voorspellen. De slagingskans stijgt met maximaal 13 punten.

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

Onderzoekers onder leiding van Zhaolu Kang publiceerden een paper met de naam DRILL. Daarin trainen ze videowereldmodellen om de prestaties van beleidsstrategieën te verbeteren, in plaats van het volgende beeld nauwkeurig te voorspellen. De methode, gepresenteerd op NeurIPS 2026, bestaat in twee varianten: DRILL‑VWI, dat voorspellingsfouten opnieuw weegt, en DRILL‑IMG, een aanpak met meta-gradiënten. Tests in vijf simulators voor manipulatie lieten zien dat DRILL‑IMG de slagingskans met 13.1 punten verhoogde ten opzichte van de eerdere WMPO-baseline. Volgens de paper betekent een lagere pixelafwijking niet automatisch dat beleidsstrategieën beter worden.

## De feiten

- Paper gepubliceerd op 2026-10-23 ("Fri Oct 23 2026 06:00:00 GMT+0200")
- DRILL‑IMG verhoogde de gemiddelde slagingskans met 13.1 punten ten opzichte van WMPO

## Waarom het ertoe doet

Voor ontwikkelaars van robotsystemen voor manipulatie kan het trainen van wereldmodellen op basis van beleidsresultaten leiden tot betrouwbaardere taakprestaties, zonder extra simulaties uit te voeren.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-10-23