imagination

论文提出了 SDI（Sibling Disagreement in Imagination，想象中的同源分歧）方法，通过利用 actor 自身 rollout 的变异性作为共享参考，决定何时用规划动作替代学习到的策略，从而在基于世界模型的强化学习中统一了探索与规划，并在 Meta-World、Adroit 和 DM-Control 上超越了基线方法。

论文介绍了Whiteboard，这是首个通过交叉参考幻觉来评估大型语言模型想象力的基准测试，并在79个最先进的LLMs中揭示了两者之间反直觉的负相关。

埃隆·马斯克发推文称，你能想象的一切都能成真，并链接到未指明的内容。

来自@mattshumer_的一条推文批评了一条将AI生成内容视为无聊的评论，认为能够通过单一提示创建沉浸式体验是一项重大突破，而有些人未能理解其价值。

一条推文串，讨论 Dwarkesh Patel 的播客节目中将“做梦”作为 AI 模型下一个训练范式的观点，并链接了一篇相关新论文。

一位开发者在构建AI代理封装系统时发现，代理对用户回复的幻觉实际上有助于解决问题，并提议将此类幻觉视为想象中的事件而非错误。

本文提出了Astra，一个主动式空间推理框架，将经过强化学习训练的VLM策略与一个世界模拟器结合起来，生成新视角的观察结果，以改进视觉语言模型中的空间推理能力。

Asuka Zheng认为，关于'训练数据即将耗尽'的恐慌是错位的；真正的稀缺在于收集多样化、长周期数据时的想象力不足，她用自己的SRE替代项目及更广泛的研究趋势说明了这一点。