Recherche
Annonce · 12 octobre 2026
30 000 heures de vidéo égocentrique n'apprennent pas le monde aux modèles
[1/7] We trained a world model on 30,000 hours of first-person video. It learned exactly where the hands go. What happens to the things they touch, much less so. Going from 300 to 30,000 hours did not narrow the gap, and a 4× larger model barely did either.
Le message résume l'article, déposé le 8 octobre. Selon son résumé, les données vont de 300 à 30 000 heures (plus de 1 000 types de scènes, 14 000 contributeurs). Elles améliorent la fidélité de l'agent comme celle des objets, mais la seconde reste nettement plus faible et progresse lentement. Une supervision qui reporte la capacité de l'apparence de la scène vers la dynamique des objets améliore les objets sans combler l'écart. Les conclusions se transfèrent à la modélisation d'humanoïdes. Mesures des auteurs ; je n'ai lu que le résumé.