연구진이 LeWorldModel의 장기 목표 달성 제어를 위해 시간적 계층 구조가 효과적인지 조사했어요. Hi-LeWM이라는 확장 모델을 개발하여 사전 학습된 저수준 LeWM을 고정하고 잠재적 부분 목표에 대한 고수준 계획을 추가했어요. 실험 결과, 계층 구조가 자동으로 성능을 향상시키지 않으며, 짧은 범위에서는 1단계 고수준 지평선이 가장 효과적이었어요.
Hi-LeWM은 학습된 고수준 행동 공간과 추론 시간 검색 분포의 불일치를 드러냈고, 학습된 모델 하에서 유리해 보이는 잠재적 거시 동작을 선택하여 제어 목표를 저하시키는 문제를 발견했어요. 훈련 트레이저토리에서 인코딩된 거시 동작 주변으로 검색을 제한하고 적절한 부분 목표 실행 타이밍을 적용하여 LeWM보다 성능을 향상시켰어요.
전반적으로 시간적 추상화는 소형 고정 LeWM에 도움이 될 수 있지만, 고수준 검색이 저수준 컨트롤러와 호환될 때만 가능해요.