Modelos de mundo de video extrapolativos mediante razonamiento de dinámica latente | Cómo aprender la evolución causal del mundo más allá de la predicción de fotogramas | Método para que agentes y sistemas predictivos extrapolen estados futuros no vistos

Abstract

PROBLEMA: los modelos generativos de video existentes se centran en predecir el siguiente fotograma a partir de la apariencia, sin modelar explícitamente la dinámica causal subyacente del mundo; esto limita su capacidad de extrapolar hacia estados y trayectorias no vistos durante el entrenamiento. SOLUCIÓN: el paper propone modelos de mundo de video extrapolativos que razonan sobre dinámica latente, aprendiendo representaciones de transición que capturan cómo evoluciona realmente el mundo y permiten proyectar consecuencias más allá de una simple auto-regresión de fotogramas. METODOLOGÍA: emplea razonamiento de dinámica latente (latent dynamics reasoning) entrenado sobre grandes corpora de video, separando la apariencia perceptual del estado dinámico subyacente. RESULTADOS: muestra mejoras en la extrapolación a horizontes temporales largos frente a modelos auto-regresivos de pixeles, con predicciones más coherentes y causalmente consistentes. RELEVANCIA: aporta una base algorítmica fundamental para modelos de mundo utilizables en planeación, robótica y agentes predictivos que necesitan anticipar la evolución del entorno.