arXiv · cs.AI· Jewon Yeom, Hanseul Kim, Jeongjae Park, Sungmok Jung, Jaejin Lee, Taesup Kim·· 5 小时前
视频世界模型潜空间的动作相关性来自时序预测而非重建保真度
What Makes Video World Model Latents Action-Relevant: Prediction over Reconstruction
AI 导读
一项基于统一探针的评估发现，视频世界模型潜空间中的动作相关结构主要由时序视频预训练驱动，而非像素重建保真度：像素解码质量强的模型动作可恢复性可能接近零，而视频预训练自监督编码器在视觉保真度与动作预测间取得最佳 Pareto 权衡。
来源：arXiv · cs.AI · arxiv.org