INTACT: Isomorphic Intent-to-Action Learning for Search-Free World Models

이 논문은 세계 모델이 행동을 검색할 필요 없이, '의도(intent)'만 주면 바로 행동을 내보내는 구조(INTACT)를 제안한 연구다.

이 논문은 한마디로 세계 모델에서 '원하는 변화'를 입력하면 비싼 탐색 없이 바로 행동을 생성하는 구조를 만들었다. 핵심은 물리적 후속 상태(행동 후 변화)와 배포용 목표 의도(원하는 변화)를 하나의 공유 조건부 연산자로 처리하는 것이다. 두 조건을 억지로 같게 만들지 않고, 행동 법칙 차원에서 정렬한다. LeWM 4개 작업에서 검색 없이 85.78%~100% 성공률을 달성했고, 선택적 탐색(CSM)을 쓰면 96.86%까지 올라가면서도 샘플링은 23.44배 적게 쓴다.

핵심 요약

• JEPA(예측 아키텍처)에 '의도→행동' 인터페이스를 통합해서 검색 없이도 직접 행동을 생성할 수 있다.
• 물리적 후속 상태와 목표 의도를 하나의 공유 예측기로 처리하되, 엔드포인트 그래디언트를 비대칭으로 설계했다.
• 검색 없이(Direct mode) LeWM 4작업에서 85.78%~100% 성공률, 추론 시간 2.9~5.5ms.
• 선택적 CEM 탐색으로 96.86% 매크로 성공률을 달성하면서도 순수 CEM 대비 23.44배 적은 샘플링을 사용했다.
• 하나의 인코더로 4개 작업을 공동 훈련해 89.39% Direct 매크로 성공률을 달성했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.