Confianza Adaptativa en Modelos de Acción del Mundo | Cuándo ejecutar acciones basadas en simulación interna de agentes | Mitigación de errores de predicción en modelos de mundo para IA agéntica

Abstract

PROBLEMA: Los Modelos de Acción del Mundo (WAMs) permiten a los agentes imaginar consecuencias de sus actos, pero a menudo sufren de 'alucinaciones de acción' donde la imaginación no coincide con la realidad de ejecución. SOLUCIÓN: El paper propone un marco de Ejecución Adaptativa de Acciones que evalúa dinámicamente la confianza en la trayectoria imaginada antes de comprometerse con una acción real. METODOLOGÍA: Utilizan métricas de discrepancia entre estados latentes predichos y observados para calibrar un umbral de confianza adaptativo en entornos de simulación complejos. RESULTADOS: El método reduce significativamente las tasas de fracaso en tareas de largo horizonte y mejora la eficiencia de la exploración al evitar acciones basadas en predicciones erróneas del modelo. RELEVANCIA: Crucial para sistemas agénticos y robótica donde la precisión de la simulación interna determina la seguridad y éxito de la misión.