WARC

WARC — это визуальный трансформер с условным действием, содержащий 35 млн параметров: на вход подаются последние три кадра игрового экрана размером 64×64 с 16 цветами и действия, а предсказание следующего кадра выполняется поэлементно; агент при каждом наблюдении изменения состояния выполняет 20 шагов градиентного обновления всех параметров с использованием последнего перехода. Авторы утверждают, что после предварительного обучения на записях человеческой игры для незнакомых игр четыре из пяти механизмов достигают точности предсказания на измененных клетках не менее 80%. В репозитории представлены четыре контрольные точки: три разделены по оставленным играм, а одна обучена на всех 25 играх.

WARC — это визуальный трансформер с условным действием, содержащий 35 млн параметров: на вход подаются последние три кадра игрового экрана размером 64×64 с 16 цветами и действия, а предсказание следующего кадра выполняется поэлементно; агент при каждом наблюдении изменения состояния выполняет 20 шагов градиентного обновления всех параметров с использованием последнего перехода. Авторы утверждают, что после предварительного обучения на записях человеческой игры для незнакомых игр четыре из пяти механизмов достигают точности предсказания на измененных клетках не менее 80%. В репозитории представлены четыре контрольные точки: три разделены по оставленным играм, а одна обучена на всех 25 играх.

Почему это важно Демонстрирует подход, при котором небольшая модель быстро осваивает незнакомые игровые механики за счет обучения во время тестирования; веса опубликованы под лицензией CC0, что позволяет напрямую использовать их в исследованиях.

Лайки с обнимашками 2 · Поднятия с обнимашками 2 · Загрузки с обнимашками 0

Лицензия: разрешено коммерческое использование · ComfyUI: отсутствует · Видеопамять: требования к видеопамяти не указаны

Обоснование

  • Лицензия CC0, код открыт на GitHub, каждая контрольная точка сопровождается конфигурацией обучения, поцикловой точностью валидации и манифестом SHA-256

Использование

  • Клонируйте репозиторий GitHub, установите torch 2.7.0 и зависимости согласно README, загрузите контрольные точки с помощью hf download third-intelligence/WARC, затем вызовите build_from_checkpoint для предсказания следующего кадра

Риски

  • Подходит только для сеточных игр в стиле ARC-AGI-3, предназначен для исследовательских целей
  • Требуется видеокарта CUDA, в карточке модели требования к видеопамяти не указаны

Открыть

抱脸 world-model 标签

Открыть последние новости ИИ