Forskere har identificeret et grundlæggende problem i latente verdensmodeller, der bruges til planlægning i AI-systemer: Selvom modellen kan afkode opgavens variabler præcist, er det ikke sikkert, at den afstand, den bruger til at vurdere forskellige handlingsplaner, faktisk afspejler den reelle fremgang mod målet. Dette fænomen kaldes 'decision-metric alignment' og er afgørende for, om planlægningsalgoritmer træffer de rigtige beslutninger.
I et nyt forskningspapir introducerer forskerne to nye målinger: Plan-Real Spearman, der måler overensstemmelsen mellem latent og reel rangordning af tilfældige planer, og CEM-stage Spearman, der måler samme overensstemmelse under søgeprocessen. De identificerer også de faktorer, der styrer, hvornår latent afstand bevarer den korrekte rangordning: encoder-forvrængning, terminal rollout-fejl og kandidatmargener.
På baggrund af dette udviklede de DA-LeWM, en forbedret version af den eksisterende LeWM-model, der tilføjer inverse-dynamics og demonstrationsbetingede mål-handlinger. I eksperimenter opnår DA-LeWM hurtigere konvergens og højere online succes end LeWM, mens probe-scorerne forbliver ens.
For beslutningstagere betyder dette, at latente verdensmodeller kan blive mere pålidelige til planlægning i komplekse miljøer – en nødvendig egenskab for anvendelser inden for robotik, autonome systemer og andre domæner, hvor præcis beslutningstagning er kritisk.
