연구진은 현실 로봇 RL의 상호작용 비용 문제를 해결하기 위해 WorldSample이라는 데이터 증강 프레임워크를 제안했어요. WorldSample은 현실 롤아웃, 세계 모델 생성, 정책 개선 간의 실-가상 루프를 구축하여 시뮬레이션된 데이터를 활용해 학습 효율을 높여요. 실험 결과, WorldSample은 정책 성공률을 28% 향상시키고 훈련 단계를 59% 줄이며, 세계 모델의 시각적 충실도를 향상시키는 효과를 보였어요.