Datos Abiertos (Open data)

GitHub - AlmondGod/tinyworlds: A minimal implementation of DeepMind's Genie world model

GitHub - AlmondGod/tinyworlds: A minimal implementation of DeepMind's Genie world model

TinyWorlds demuestra que es posible construir modelos de mundo escalables sin depender de datos de acción etiquetados, abordando una limitación clave en los sistemas actuales de generación de video, como VEO3. Al emplear la arquitectura Genie de DeepMind, el proyecto utiliza un método no supervisado para inferir acciones discretas entre fotogramas. Este enfoque permite que el modelo aprenda la dinámica ambiental y las leyes físicas exclusivamente a partir de secuencias de video, demostrando que los sistemas inteligentes pueden comprender y predecir estados físicos mediante aprendizaje autoregresivo en lugar de supervisión explícita. La innovación central radica en el uso de tokens discretos y un Tokenizador de Acciones especializado para comprimir la información visual compleja en representaciones manejables. Al convertir los datos continuos de video en un vocabulario finito de tokens, el modelo simplifica el problema de predicción, centrándose en seleccionar el siguiente estado más probable en lugar de calcular valores continuos. Esta discretización permite al sistema capturar fenómenos emergentes y las leyes subyacentes de los entornos simulados, como los presentes en videojuegos clásicos, modelando eficazmente la causalidad entre las acciones del usuario y los cambios ambientales. Este proyecto es altamente relevante para la comunidad de open_data, ya que proporciona un marco transparente y accesible para investigar cómo los agentes autónomos interpretan los datos visuales. Al liberar bajo licencia de código abierto la arquitectura y los procedimientos de entrenamiento, TinyWorlds fomenta la mejora colaborativa de los modelos de mundo, elementos críticos para el desarrollo de la IA encarnada y simuladores realistas. Además, destaca la importancia de conjuntos de datos de video estandarizados y de alta calidad para avanzar en las capacidades de aprendizaje automático, ofreciendo a los investigadores una herramienta para explorar la intersección entre el modelado generativo y la comprensión física, sin las restricciones propias de soluciones propietarias.

Fuente: github.com
Publicado el 2025-10-02

Noticias relacionadas