Newt
translate by GPT

Newt:多任务世界模型阅读笔记

从专家示范预训练到在线交互,记录 Newt 如何在潜在空间学习动力学、奖励与价值,并与 DINO-WM 作比较。

下面是世界模型第二篇文章,这里同样用不涉及数学的方式记录下文章的思路和方法。

Learning Massively Multitask World Models for Continuous Control,ICLR 2026

Newt 想解决什么

这篇文章作者同样认为世界模型应该具有泛化性,发布了一个包含200个多样化的任务benchmark。

并提出了自己的模型Newt:先看大量已有的示范轨迹,让模型学会相关任务大概在干什么以及通常应该怎么动。然后让同一个Newt真正在很多任务里与环境交互,根据获得的新经验进一步迭代模型。 (感觉思想其实和dinowm很像,都是要提出一个泛化到多个任务的模型,思路也比较类似 离线预训练 + 在线优化,有意思)

对世界模型的要求

作者认为合理的世界模型方法应该满足:

  • (i) 随着模型和数据规模的增加而扩展(scaling law)
  • (ii) 对各种观测空间、动作空间、奖励函数和任务时长具有鲁棒性(模型支持state、RGB等多种输入。奖励尺度不同,有离散回归/交叉熵和log变换。不同任务有不同的折扣因子,就是对未来的奖励进行打折,)
  • (iii) 能够充分区分不同任务
  • (iv) 在合理的时间范围内完成训练

Newt 的模型结构

Newt 方法图:多任务输入、共享世界模型和基于 TD-MPC2 的控制结构。
Newt 方法图 · 点击查看大图 · 图片来自 Newt.

上面是文章的方法图。左边是输入,Newt同时接收很多不同任务的数据,包括RGB图像、状态信息和任务文字描述。图像先经过dinov2(上一篇文章也是用这个做编码器,看来想法是一脉相承的),文字经过CLIP编码(感觉可以对应(iii) 能够充分区分不同任务 这一点,毕竟不同任务自然语言输入不同)。

然后中间是Newt World Model。 把这些不同任务的信息放进同一个世界模型中,主要是学习[ 当前状态下做什么动作,可能会得到什么奖励 ]。因为不同任务动作维度不一样,所以无效部分会被掩码mask掉。

右边是具体的世界模型结构。基于TD-MPC2,把观测编码成隐藏状态,然后学习隐藏状态如何随动作变化,同时预测奖励和价值,用这些预测来规划动作(其实就是先学习一个能够预测未来的世界模型,再利用这个模型在内部规划动作)。

Newt 学习什么

Newt主要学习以下内容:

  • Dynamics:执行动作后,下一状态会是什么;
  • Reward:这个动作能获得多少奖励;
  • Value/Q:长期来看这个动作好不好;
  • Policy Prior:在当前状态下,什么动作比较值得尝试。

看起来Newt是在潜在空间中预测未来,为控制服务。

从专家示范到在线交互

在训练时,Newt 同时学习: 当前状态 + 动作 → 下一状态 + 奖励 + 长期价值(同时看这个动作后的长期奖励,和折扣因子对应)

然后测试时选择预计回报最高的动作执行。值得一提的是,Newt的训练流程是:

专家示范预训练 → 得到初始世界模型和动作先验 → 与环境在线交互 → 收集新经验 → 持续更新世界模型和策略 (dinowm训练开始时是先随机采样,Newt也算是先用专家进行冷启动了?正好对应了(iv) 在合理的时间范围内完成训练)

与 DINO-WM 的比较

整体看下来,Newt和dinowm一样,都选择在潜空间预测未来(看来潜空间目前是对的)。两者区别在于Newt还显式学习Reward和Value,直接套用了强化学习控制的框架,直接服务于控制。