ARC-벤치: 폐쇄 루프 재 계획이 고정된 JEPA 세계 모델에서 파괴된 행동Ranking을 가린다.

arXiv:2609.05461v1 발표에 대한 요약입니다. Reward-free 잠재 세계 모델(plan)은 후보 행동을 평가하는 데 Distance를 사용하여 정지된 잠재 공간에 Embedding을 위치시킵니다: 행동은 목표 Embedding과 더 가깝게 예측되는 Embedding에 위치할 때 선호됩니다. 이 것은 잠재적 가깝다는 가정하에 silently 수행됩니다. 즉, 잠재적 거리순으로 후보 행동을 정렬하면 실제 비용으로 정렬하는 것이 동등하다는 것입니다. 우리는 이 가정에 직접적으로 대조합니다. 우리는 ARC-Bench라는 새로운 프로토콜을 제시합니다. 이 프로토콜은 정지된 JEPA-style 목표가 후보 행동을 올바르게 순위를 매길 수 있는지 측정하기 위해 no-leak, fixed-candidate 프로토콜입니다. 그리고 JEPA-WM 체크포인트를 공식적으로 출시된 네비게이션 및 제어 스타일을 적용하여 적용합니다. 이 가정은 실패하고, 심각하게 구조적으로 실패합니다. 공식적으로 출시된 제어를 위한 감사에서 최고 점수를 받은 후보는 거의 항상 suboptimal이며, 동일한 반전이 미로 도메인에서 나타납니다. 제어된 시각적 백본 확장은 DINOv2를 비디오-예비교육된 V-JEPA 1 및 V-JEPA 2 인코더로 ViT-L/ViT-G 규모로 대체할 때도 이 결함이 지속되는 것을 보여줍니다. 증명, 과도한 학습, matched-budget 백본 제어, 및 metric-circularity 제어는 간단한 설명을 배제합니다. 그런 다음 우리는 이 결함이 왜 숨겨져 있었는지 설명합니다. closed-loop replanning이 그것을 숨깁니다. 플래너의 replanning 빈도를 줄이면 성공은 네비게이션 및 제어 도메인 모두에서 붕괴되고, PointMaze first-plan 진단에서 첫 번째 플랜 rankability 실패가 심각한 에피소드가 enrich됩니다. closed-loop 성공률은 따라서 정지된 잠재적 표현의 rankability를 과대 평가합니다. ARC-Bench는 측정하고, 마스킹 메커니즘은 설명을 제공하여 released JEPA-WM 행동 rankability를 직접적으로 감사하지 않는 대량 언어 모델(LLM)이나 암모리제이션, replan around latent-space planners의 방법들이 왜 실패하는지 설명합니다.