arXiv 论文提出测试世界模型泛化能力的方法:以零售定价为实验场景
做世界模型评估的人应该看看这篇:2,853 个模型跑下来,证明平时看的预测精度在比较同一模型不同版本时可能完全失灵,甚至会反转到 -0.69。更有用的是它发现注入几条定价规则比 JEPA 预训练管用,零售和制药场景的实验设计可以直接套用。
做世界模型评估的人应该看看这篇:2,853 个模型跑下来,证明平时看的预测精度在比较同一模型不同版本时可能完全失灵,甚至会反转到 -0.69。更有用的是它发现注入几条定价规则比 JEPA 预训练管用,零售和制药场景的实验设计可以直接套用。