연구진이 반복적 구조인 Looped World Models (LoopWM)을 발표했어요. LoopWM은 잠재 환경 상태를 반복적으로 개선하여 기존 방식 대비 최대 100배의 파라미터 효율성을 달성했어요. 복잡한 예측 단계에 맞춰 자동으로 깊이를 조절하는 적응적 계산 방식을 사용합니다.
LoopWM은 모델 크기 및 학습 데이터 규모를 확장하는 것 외에 반복적 잠재 공간 깊이를 새로운 확장 축으로 제시하며 세계 시뮬레이션 분야 발전에 기여할 것으로 기대돼요. 기존 방식의 장시간 시뮬레이션 요구 사항과 깊은 계산량의 균형을 맞추는 데 효과적입니다.
연구 결과, LoopWM은 기존 방식 대비 파라미터 효율성이 100배까지 향상되었으며, 예측 단계 복잡도에 따라 계산 깊이를 자동으로 조절하는 적응적 계산 방식을 통해 성능을 최적화합니다.