CWM: Kontrastives Weltmodell verbessert Aktionsbewertung in Embodied Agents

In der Forschung zu Embodied Agents steht die zuverlässige Bewertung, welche Aktionen tatsächlich ausgeführt werden können, im Mittelpunkt. Traditionelle Methoden nutzen überwiegend supervised fine‑tuning (SFT), das jede Kandidatenaktion isoliert betrachtet und nicht gezielt zwischen physisch korrekten und subtil falschen Handlungen unterscheidet.

Die neue Technik, das Contrastive World Model (CWM), setzt dagegen auf ein InfoNCE‑Kontrastivziel, das ein großes Sprachmodell als Aktionsbewertungs‑Engine trainiert. Durch gezielte Hard‑Negative‑Mining‑Strategien werden valide Aktionen bewusst von semantisch ähnlichen, aber physisch inkompatiblen Alternativen getrennt. Das Ergebnis ist ein klarer Abstand im Scoring‑Raum zwischen richtigen und falschen Handlungen.

Die Wirksamkeit von CWM wurde am ScienceWorld‑Benchmark getestet. In einer intrinsischen Affordance‑Evaluierung mit 605 Hard‑Negative‑Paaren erzielte CWM eine Precision@1 von 6,76 % höher als SFT bei minimalen Edit‑Negativen – also bei Änderungen, die nur ein Wort betreffen. Zusätzlich übertraf CWM die AUC‑ROC (0,929 gegenüber 0,906) deutlich.

Ein weiteres Live‑Filter‑Studie zeigte, dass CWM unter Out‑of‑Distribution‑Stressbedingungen die goldenen Pfad‑Aktionen besser priorisiert. Der Safety‑Margin‑Wert lag bei –2,39 im Vergleich zu –3,96 bei SFT, was bedeutet, dass die korrekte Aktion deutlich näher an der Spitze der Rangliste steht.

Diese Ergebnisse demonstrieren, dass das kontrastive Training von CWM die physische Plausibilität von Aktionen in Embodied Agent‑Pipelines signifikant verbessert und damit die Sicherheit und Effizienz von KI‑gestützten Entscheidungsprozessen erhöht.