LeWM 장기 과제 성공률, 25스텝 서브골 체이닝으로 22%에서 85%까지
- 예측기를 시뮬레이터의 완벽한 물리로 교체해도 LeWM의 250개 장기 과제 성공률은 78%에서 77%로 거의 변하지 않아, 병목이 예측 정확도가 아니라 계획 방식에 있음이 드러남
- 목표가 75스텝 떨어진 과제에서 22%였던 성공률이 25스텝마다 서브골을 주면 80%로 뛰었고, 25스텝 과제에서는 원래도 89.7%를 기록함
- 전문가 데모 없이 메모리 그래프 변환으로 서브골을 즉석에서 만들어내는 방법을 더해 재학습 없이 성공률 85%까지 회복함
- 목표 채점 방식을 한 줄 바꾼 것만으로 성공률이 60포인트 올라, 완벽한 물리로 교체한 효과의 세 배였음
- 플래너를 네 번 돌려 최저 비용 계획을 고르는 방식은 연산만 네 배로 늘리고 성공률은 1포인트도 못 올림
Hacker News 의견들
JEPA가 LLM 한계를 메우는 대안이라고만 들어서 기대했는데, 글 읽어보니 로봇 팔 움직임 같은 아주 좁은 문제만 푸는 것 같더라. 원래 어느 쪽이야?
폰에서는 사이트가 거의 못 쓸 정도던데, 애니메이션 때문인가 싶음.
몇 년 된 아이폰에서도 잘만 돌아갔는데. 배경 애니메이션이 좀 거슬리긴 함.
작성자임. 무슨 OS에 무슨 브라우저인지 알려주면 확인해보겠음.
OLED 모니터로 보는데 배경 효과 때문에 심장이 철렁했음.
'발견했다'는 표현은 좀 아닌 듯. 계층적 계획에 서브골, 액션 청킹은 이미 다 알려진 개념이라 새 결과 기대하고 읽었으면 허무할 듯.
그건 좀 과한 기대 아님? 논문도 아닌 개인 블로그에 과학적 신규 발견을 기대할 권리는 없다고 봄.
AI로 글 쓸 거면 짧고 알차게 써줬으면. 긴 벽글에서 알맹이 하나 건지려면 너무 힘듦.
MCTS로도 학습 없이 Push-T 푸는 구현 있음. gumbel-mcts 깃허브 찾아보면 됨.
데모 예시에 왜 이렇게 의존하는지 모르겠음. 실제 과제는 임의의 두 포즈 사이 이동인데, 데모 세트가 통계적으로 이상하면 계속 거기만 부딪히게 됨.
레이아웃 얘기만 하는 댓글 많은 거 보면 좀 그렇긴 한데, 데모 세그먼트를 변환해서 85%까지 회복한 부분은 꽤 흥미로움. 원래 LeWM에는 그런 변환 기법이 없었나?
타이틀 폰트가 Faculty Glyphic인데, 요즘 Claude가 쓰는 폰트에 지쳐 있던 차라 반가웠음.