Hierarchical Planning with Latent World Models
基于潜在世界模型的分层规划
机构 * FAIR at Meta（Meta旗下的FAIR） ； New York University（纽约大学） ； Mila - Québec AI Institute（魁北克AI研究院） ； Brown University（布朗大学）
AI总结 提出HWM架构，通过多时间尺度潜在世界模型和潜在匹配实现分层模型预测控制，解决长时域任务中单层规划失败和计算爆炸问题。
高校专区
New York University（纽约大学）
Zero-Shot Cross-City Generalization in End-to-End Autonomous Driving: Self-Supervised versus Supervised Representations
端到端自动驾驶中的零样本跨城市泛化：自监督与监督表示
机构 * Department of Electrical and Computer Engineering, NYU Tandon School of Engineering（电气工程系，纽约大学Tandon工程学院）
AI总结 研究端到端自动驾驶模型在跨城市零样本迁移中的泛化能力，发现自监督预训练（如I-JEPA、DINOv2、MAE）相比监督预训练能显著减少位移和碰撞退化，提升闭环评估中的分布外PDMS。
Depth-Width tradeoffs in Algorithmic Reasoning of Graph Tasks with Transformers
图任务算法推理中Transformer的深度-宽度权衡
机构 * Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所） ； Google Research（谷歌研究） ； Meta AI ； Bar-Ilan University（巴伊兰大学） ； Department of Bio-Medical Engineering, Edmond J. Safra Center for Bioinformatics, Tel-Aviv University（生物医学工程系，埃德蒙·J·萨法中心，特拉维夫大学） ； Tel Aviv University（特拉维夫大学）
AI总结 研究Transformer在图算法任务中深度与宽度的权衡，发现线性宽度下常数深度足以解决许多图问题，而某些问题需要二次宽度，实验验证了宽模型在保持精度的同时训练和推理更快。
Comments Updated ISF grant number
