AI 研究助理

基于站内最新资料,回答 AI 前沿问题

回答带出处引用,支持多轮追问,当前页面内容会作为上下文

快速响应
AI 前沿跟踪
今日首页重点内容GitHub 趋势榜
领域
学术研究
大模型
具身智能
AI 基础设施
智能体 · Skill · MCP
机器人
多模态
自动驾驶
数据 / MLOps
AI 硬件
安全对齐
综述与报告
论文具身智能重点世界模型强化学习VLA元梯度

DRILL: Training World Models to Improve Policies, Not Predict Pixels

查看原文(PDF)
AI 解读已生成 · AI 生成,数字以原文为准
AI 全文总结值得深入基于论文全文 4.0 万字 · 完整阅读

DRILL-IMG 在 5 个模拟器平均比 WMPO 高 13.1 分,像素 MSE 反升 17%

针对 VLA 策略强化后训练中世界模型“预测像素”与“产生策略学习信号”的目标错配,作者提出 DRILL 双层框架:内层在想象 rollout 上做 GRPO 更新,外层按更新后策略在目标环境的回报优化世界模型。DRILL-VWI 用策略访问、GRPO 优势与置信度重加权预测误差,无需额外模拟器交互;DRILL-IMG 用截断 Hessian-vector 乘积做元梯度,并以小批量模拟器 rollout 估计外层梯度。理论上 DRILL-VWI 是 DRILL-IMG 元梯度的一阶近似,作者还给出截断 BPTT 收敛率与 PUR 诊断。在 LIBERO-Long、CALVIN、RoboCasa、Meta-World MT50、SimplerEnv 与 π0、OpenVLA 上,作者报告 DRILL-IMG 平均成功率比 WMPO 高 13.1 点、比 RLVR-World 高 7.9 点,下一帧像素 MSE 高 17%;叠加 RLVR-World 预训练再提升 3.2 点。DRILL-IMG 对扰动的鲁棒性优于 WMPO 与 RLVR-World,PUR 与成功率负相关。局限是仅限仿真,DRILL-IMG 有额外计算、内存与交互开销。

  1. 1世界模型训练目标应从像素 MSE 转向策略回报
  2. 2DRILL-IMG 较 WMPO 平均提升 13.1 分成功率
  3. 3PUR 与成功率相关性 -0.89,可作早期诊断

为什么重要 世界模型在 VLA 后训练中用量激增,但其训练目标与用途错位;DRILL 给出可直接落地的替代优化目标与诊断指标适合 适合做具身智能世界模型、VLA 后训练、仿真数据闭环的工程师与研究员

来源
arxiv.org
发布
2026/10/23

中文(AI 翻译)

世界模型越来越多地用于在通过强化学习对视觉-语言-动作(VLA)策略进行后训练时减少环境交互。然而,它们通常被训练为提前一步预测像素,尽管它们在这里的作用不仅仅是渲染视觉上逼真的视频,而是从想象的 rollout 中产生能够改进策略的学习信号。我们表明这种不匹配是显著的:更低的像素 MSE 可能产生更差的策略梯度,而一个为策略效用训练的世界模型尽管在下一帧上的像素 MSE 高出 17%,却能产生更好的下游策略。

我们提出 Downstream-Return Imagination Learning Loop(DRILL),一种双层框架,它更新世界模型以在想象的 rollout 上经过内部 GRPO 更新后最大化策略的回报。DRILL 有两种实例化。DRILL-VWI 是一种闭式代理,不需要额外的模拟器 rollout,它按策略访问分布、组相对 GRPO 优势和模型置信度对预测误差重新加权。DRILL-IMG 是一种全元梯度方法,使用截断的 Hessian-vector 乘积对内部更新求微分。

我们表明,在分数兼容性和小残差假设下,DRILL-VWI 恢复了 DRILL-IMG 元梯度的局部单步分量。在五个操作模拟器和两个 VLA 主干上,DRILL-IMG 将平均成功率比 WMPO 提高 13.1 个百分点,比 RLVR-World 提高 7.9 个百分点,并且是对 RLVR 预训练的补充而非与其竞争。更广泛地说,我们认为用于 VLA 强化学习的视频世界模型可以按其产生的策略梯度进行有效训练,而不仅仅按像素级预测来训练。

原文

World models are increasingly used to reduce environment interaction when post-training vision-language-action (VLA) policies with reinforcement learning.

Yet they are typically trained to predict pixels one step ahead, even though their role here is not merely to render visually faithful videos but to produce learning signals from imagined rollouts that improve the policy.

We show that this mismatch is substantial: lower pixel MSE can produce worse policy gradients, and a world model trained for policy utility can yield better downstream policies despite 17% higher pixel MSE on the next frame.

We propose the Downstream-Return Imagination Learning Loop (DRILL), a bilevel framework that updates the world model to maximize the policy's return after an inner GRPO update on imagined rollouts.

DRILL has two instantiations.

DRILL-VWI is a closed-form surrogate, requiring no additional simulator rollouts, that reweights prediction errors by policy visitation, the group-relative GRPO advantage, and model confidence.

DRILL-IMG is a full meta-gradient method that differentiates through the inner update using truncated Hessian-vector products.

We show that DRILL-VWI recovers the local one-step component of the DRILL-IMG meta-gradient under score-compatibility and small-residual assumptions.

Across five manipulation simulators and two VLA backbones, DRILL-IMG raises mean success rate by 13.1 points over WMPO and 7.9 points over RLVR-World, and complements RLVR pretraining rather than competing with it.

More broadly, we believe video world models for VLA reinforcement learning can be productively trained by the policy gradients they produce, not only by pixel-level prediction.

术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG 的像素 MSE 达 9.8±0.4×10−3,高于 术语解释世界模型策略优化:先拟合像素,再在世界模型内做 GRPO 更新策略 的 8.4±0.3,但 术语解释策略效用残差,度量像素 MSE 梯度与策略改进方向的角差距 仅 0.36
9.8±0.4×10⁻³

术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG MSE

单位 10−3

8.4±0.3×10⁻³

术语解释世界模型策略优化:先拟合像素,再在世界模型内做 GRPO 更新策略 MSE

单位 10−3

+17%

MSE 增幅

术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG 相对 术语解释世界模型策略优化:先拟合像素,再在世界模型内做 GRPO 更新策略

0.36±0.04

术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG 术语解释策略效用残差,度量像素 MSE 梯度与策略改进方向的角差距

越低越对齐

1.42±0.08

术语解释世界模型策略优化:先拟合像素,再在世界模型内做 GRPO 更新策略 术语解释策略效用残差,度量像素 MSE 梯度与策略改进方向的角差距

接近正交

注释 · 术语解释策略效用残差,度量像素 MSE 梯度与策略改进方向的角差距 越低表示像素 MSE 梯度与策略改进方向越一致;Spearman ρS=−0.89出自 表 1 与摘要

术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG 相对 DRILL-VWI 的优势从 H=20 的 1.8 分扩大到 H=200 的 8.1 分
  • H=20
    1.8 分
  • H=50
    5.2 分
  • H=100
    7.5 分
  • H=200
    8.1 分

注释 · 默认 H=50;H=200 时 术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG 自身回落至 78.6 SR,想象轨迹噪声过大出自 §5.4 图 3

DRILL 训练循环总览:策略先在 WM 内通过想象 GRPO 学习,改进信号再反馈给 WM——VWI 用本地加权代理,IMG 微分经过内更新
主干网络
π0−3B、OpenVLA-7B
GPU
24×NVIDIA H20,约 4 周
默认时域
H=50
种子数
主结果 5,消融 3

深度总结

1 / 8
13.1 分
π0−3B 主结果对照· 表格

术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG 在 5 个模拟器平均比 术语解释世界模型策略优化:先拟合像素,再在世界模型内做 GRPO 更新策略 高 13.1 分,比 RLVR-World 高 7.9 分

方法LIBEROCALVINRoboCasa术语解释策略效用残差,度量像素 MSE 梯度与策略改进方向的角差距↓
术语解释世界模型策略优化:先拟合像素,再在世界模型内做 GRPO 更新策略64.2±1.671.8±1.338.5±2.11.42±0.08
RLVR-World70.8±1.475.3±1.642.7±1.80.97±0.06
术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-VWI76.1±1.280.7±1.151.8±1.70.73±0.05
术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG81.3±1.383.1±1.455.7±2.00.36±0.04
术语解释训练世界模型最大化内环 GRPO 后策略回报的双层框架-IMG+RLVR-WM83.9±1.185.4±1.259.1±1.60.29±0.04

注释 · 表中数值为 5 个种子的 mean±std;术语解释策略效用残差,度量像素 MSE 梯度与策略改进方向的角差距 越低越对齐策略改进方向,简化后的 table 仅列 4/5 基准出自 表 1