Planification en 8 jetons : Un tokeniseur discret compact pour modèle du monde latent
Planning in 8 Tokens: A Compact Discrete Tokenizer for Latent World Model
March 5, 2026
Auteurs: Dongwon Kim, Gawon Seo, Jinsung Lee, Minsu Cho, Suha Kwak
cs.AI
Résumé
Les modèles de monde offrent un cadre puissant pour simuler la dynamique de l'environnement conditionnée par des actions ou des instructions, permettant des tâches en aval telles que la planification d'actions ou l'apprentissage de politiques. Les approches récentes exploitent les modèles de monde comme simulateurs appris, mais leur application à la planification au moment de la décision reste prohibitivement coûteuse en calcul pour le contrôle en temps réel. Un goulot d'étranglement majeur réside dans les représentations latentes : les tokeniseurs conventionnels encodent chaque observation en centaines de tokens, rendant la planification à la fois lente et gourmande en ressources. Pour résoudre ce problème, nous proposons CompACT, un tokeniseur discret qui compresse chaque observation en seulement 8 tokens, réduisant considérablement le coût computationnel tout en préservant les informations essentielles à la planification. Un modèle de monde conditionné par l'action utilisant le tokeniseur CompACT atteint des performances de planification compétitives avec une planification plusieurs ordres de grandeur plus rapide, offrant une étape pratique vers le déploiement en conditions réelles des modèles de monde.
English
World models provide a powerful framework for simulating environment dynamics conditioned on actions or instructions, enabling downstream tasks such as action planning or policy learning. Recent approaches leverage world models as learned simulators, but its application to decision-time planning remains computationally prohibitive for real-time control. A key bottleneck lies in latent representations: conventional tokenizers encode each observation into hundreds of tokens, making planning both slow and resource-intensive. To address this, we propose CompACT, a discrete tokenizer that compresses each observation into as few as 8 tokens, drastically reducing computational cost while preserving essential information for planning. An action-conditioned world model that occupies CompACT tokenizer achieves competitive planning performance with orders-of-magnitude faster planning, offering a practical step toward real-world deployment of world models.