Pesquisadores liderados por Zhaolu Kang divulgaram um artigo chamado DRILL, que treina modelos de mundo em vídeo para melhorar o desempenho das políticas, em vez de prever com precisão o próximo quadro. O método, apresentado na NeurIPS 2026, tem duas versões: DRILL‑VWI, que repondera os erros de previsão, e DRILL‑IMG, uma abordagem baseada em meta-gradientes. Testes em cinco simuladores de manipulação mostraram que o DRILL‑IMG elevou as taxas de sucesso em 13,1 pontos em relação ao baseline anterior WMPO. O artigo argumenta que um menor erro de previsão de pixels não garante políticas melhores.
Por que importa
Para desenvolvedores de sistemas de manipulação robótica, treinar modelos de mundo com foco nos resultados das políticas pode tornar o desempenho nas tarefas mais confiável, sem exigir execuções adicionais do simulador.
