COSTGRAD：按规划代价梯度稀疏选 token

Yingchen Xu 与 Edward Grefenstette 发表论文提出 COSTGRAD，一种免训练、目标条件化的空间 token 选择方法：按规划代价对每个输入 token 的梯度范数排序，选出对规划而非仅对预测重要的 token。作者称，在 AdaLN 条件化预测器上以 50% 稀疏度运行时，COSTGRAD 在四个连续控制基准中的三个达到或超过全 token 规划，每个环境规划步骤实测加速 2.6 倍；再结合缩减 CEM 搜索，总加速约 5 倍，且仍超过全 token 基线。 作者同时报告了适用条件：在 AdaLN 与拼接（concat）的匹配对比中，concat 保持接近全 token 的性能，但纯 COSTGRAD 相对随机选择不再有优势。这些结果均为论文作者自述。 该工作关注视觉世界模型规划中的 token 稀疏化，目前结论来自上述基准测试，尚未见独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。