Artigos de pesquisa em IA selecionados diariamente com traduções
As relações estrutura-propriedade são fundamentais para a biologia, a química e a ciência dos materiais, onde função, reatividade e resposta física emergem da organização espacial, química e periódica. Explicar mecanicamente essas relações exige interpretar evidências estruturais através de princípios científicos e restrições físicas, desde estereoquímica e ligações até simetria, energética e ordem periódica. No entanto, aplicar inteligência artificial a esse processo apresenta um desafio conjunto de representação e raciocínio: os modelos devem preservar informações estruturais próprias do domínio, ao mesmo tempo que mostram como evidências específicas sustentam previsões sob essas restrições. Aqui apresentamos o SciReasoner, um modelo científico fundamental multimodal para raciocínio estrutural nativo em proteínas, moléculas pequenas e cristais inorgânicos. O SciReasoner discretiza coordenadas, topologias e conectividades periódicas em um vocabulário unificado e sensível à estrutura, tratando tokens estruturais como unidades de evidência endereçáveis durante o raciocínio. Na predição da Ontologia Gênica com controle de homologia, o SciReasoner melhora a anotação de Componente Celular para proteínas de baixa homologia e semelhantes a órfãs, aumentando o F_{max} de 0,42 para 0,55. Em química, ele eleva a precisão da retrossíntese de etapa única de 0,63 para 0,72, gerando rastros de desconexão em nível de fragmento e de verificação de precursor. Em ciência dos materiais, suas representações separam fases elementares e compostas e resolvem regimes de bandas proibidas altos e baixos. Em 86 referências, o SciReasoner alcança desempenho de ponta em 67 tarefas. A avaliação duplo-cega por especialistas classifica seus rastros de raciocínio como preferidos ou pelo menos comparáveis aos de um modelo de linguagem de grande porte de fronteira em 98% dos casos. Ao tornar a estrutura um substrato inspecionável para raciocínio sob restrições científicas, o SciReasoner conecta predição precisa com inferência científica interpretável.
Os modelos mainstream de Visão-Linguagem-Ação (VLA) preveem ações principalmente a partir da observação atual sob uma suposição Markoviana, enfrentando assim dificuldades em tarefas de longo horizonte e temporalmente dependentes. Os VLAs existentes com memória aumentada ou expandem a janela de observação ou recuperam histórico do banco de memória como contexto auxiliar do lado da política. No entanto, eles deixam a memória fora do espaço latente nativo de raciocínio do VLA, impedindo que a experiência histórica seja intercalada de forma fluida com o raciocínio multimodal e a formação de ações. Para isso, apresentamos o LaMem-VLA, uma estrutura nativa de memória latente que reconstrói a experiência histórica em tokens de memória latente e os entrelaça diretamente com o raciocínio do VLA. Em seu núcleo, o LaMem-VLA introduz quatro componentes coordenados: (i) um curador que organiza a experiência histórica em dois cofres de memória complementares de curto e longo prazo; (ii) um buscador que consulta ambos os cofres usando a cognição multimodal para recuperar evidências relevantes ao contexto; (iii) um condensador que reconstrói as evidências recuperadas em tokens de memória latente compactos de curto e longo prazo; e (iv) um tecedor que injeta esses tokens de memória juntamente com a observação e instrução atuais em uma sequência contínua de embeddings. Ao representar, recuperar e consumir a experiência histórica inteiramente no mesmo espaço latente contínuo, o LaMem-VLA permite que a memória participe diretamente do raciocínio do VLA e oriente a geração de ações sob um contexto limitado. Extensos experimentos no SimplerEnv e no LIBERO demonstram a superioridade do nosso LaMem-VLA.
Apesar do recente avanço no controle de robôs, os modelos generativos de vídeo sofrem de uma incompatibilidade de domínio devido ao seu foco principal na criação de conteúdo. Por exemplo, seu projeto prioriza inerentemente a fidelidade visual e a criatividade em detrimento da eficiência computacional e do realismo físico. Neste trabalho, apresentamos o LingBot-Video, um paradigma de pré-treinamento de vídeo baseado em DiT, especificamente adaptado para inteligência incorporada. Do ponto de vista arquitetural, adotamos a estrutura de Mixagem de Especialistas (MoE), em vez de densa, para alcançar um melhor equilíbrio entre capacidade de modelagem e eficiência de inferência, conseguindo escaloná-la do zero. Do ponto de vista dos dados, construímos um mecanismo de perfilamento de dados que aumenta vídeos padrão da internet com extensas filmagens orientadas a robôs, abrangendo manipulação, navegação e perspectivas egocêntricas, para dotar o modelo base de uma compreensão intrínseca de ações e dinâmicas do mundo. Do ponto de vista do treinamento, desenvolvemos um sistema de recompensa multidimensional para impor o alinhamento em relação à racionalidade física e à conclusão de tarefas, indo além de critérios padrão, como estética, adesão ao prompt e consistência de movimento. Avaliações abrangentes validam seu desempenho e eficiência como modelo de fundação de vídeo. Contribuímos com o LingBot-Video como o primeiro modelo de fundação de vídeo MoE de grande escala e código aberto para a comunidade, em um esforço pioneiro para unir criatividade digital e atuação física.
Apresentamos o LingBot-World 2.0 (também conhecido como LingBot-World-Infinity), uma versão avançada do LingBot-World que incorpora quatro atualizações distintas. (1) Nosso modelo alcança um horizonte de interação ilimitado, mantendo a qualidade consistente da saída, graças a um paradigma de pré-treinamento causal cuidadosamente elaborado. (2) Por meio da destilação de uma variante em tempo real a partir do modelo base, nosso sistema garante um tempo de resposta rápido, suficiente para gerar fluxos de vídeo em 720p a 60 fps. (3) Em comparação com a versão anterior, esta atualização introduz elementos interativos altamente diversificados, abrangendo um espectro mais amplo de ações (por exemplo, ataque, arco e flecha, lançamento de feitiços e tiros), juntamente com uma variedade mais rica de eventos orientados por texto. (4) Pioneirizamos a integração de um arcabouço agentivo no domínio da modelagem de mundos, no qual um agente piloto é responsável por planejar e executar comportamentos dos personagens, enquanto um agente diretor é responsável por sintetizar novos elementos ambientais à medida que a cena progride. Adicionalmente, para facilitar uma experiência compartilhada, desenvolvemos uma interface que permite que múltiplos jogadores se imerjam simultaneamente neste simulador de mundo vívido. Emparelhamos nosso modelo principal de 14B com uma contraparte leve de 1,3B, que suporta uma implantação sem esforço em uma única GPU.
Políticas de manipulação robótica generalista avançaram rapidamente, no entanto, os referenciais existentes ainda são limitados na avaliação sistemática de suas capacidades. Muitos dependem de tarefas simples, de curto horizonte ou de habilidades restritas, com cobertura limitada de capacidades, e geralmente são conduzidos apenas em simulação ou apenas no mundo real. A simulação permite feedback escalável, mas ignora os desafios da implantação física, enquanto a avaliação no mundo real é cara, demorada e difícil de reproduzir. Apresentamos o RoboDojo, um referencial unificado de simulação e mundo real para avaliação abrangente de políticas de manipulação robótica generalista. O RoboDojo inclui 42 tarefas simuladas e 18 tarefas do mundo real, cobrindo capacidades de manipulação diversas e complementares. O referencial de simulação avalia cinco dimensões: generalização, memória, precisão, execução de longo horizonte e seguimento de instruções de vocabulário aberto, enquanto o referencial do mundo real expõe as políticas a condições desafiadoras de implantação no ambiente físico. O RoboDojo oferece suporte à avaliação escalável por meio de simulação paralela heterogênea no Isaac Sim e fornece o RoboDojo-RealEval, um sistema de avaliação reproduzível no mundo real com acesso remoto em nuvem, hardware padronizado, redefinição de cena, protocolo de avaliação e interface de implantação. Juntamente com o XPolicyLab, as políticas podem ser integradas uma vez e avaliadas em ambientes de simulação e mundo real com adaptação mínima. Integramos 30 políticas no XPolicyLab e as avaliamos no RoboDojo, estabelecendo um leaderboard público e uma análise sistemática do desempenho atual das políticas. O site está disponível em http://robodojo-benchmark.com/.
A aprendizagem por reforço (RL) está se tornando cada vez mais importante para o pós-treinamento de modelos de linguagem de grande escala (LLMs). Pipelines anteriores de RL para LLMs eram predominantemente síncronos e com intercalação por lotes, o que é ineficiente para tarefas agentivas de longo horizonte. Recentemente, a RL assíncrona emergiu como uma alternativa mais eficiente ao atualizar o modelo à medida que os rollouts chegam. No entanto, os sistemas assíncronos de RL existentes frequentemente enfatizam a vazão, enquanto deixam a estabilidade do treinamento e a eficácia das tarefas amplamente inexploradas. Por exemplo, um desafio chave é que a amostragem por grupo, amplamente utilizada no framework GRPO, não se ajusta naturalmente ao treinamento agentivo assíncrono. Neste artigo, apresentamos a Otimização Assíncrona de Rollout Único (SAO) para lidar com os desafios de estabilidade e fora da política na RL assíncrona. Para reduzir os efeitos fora da política e melhorar a generalização, substituímos a amostragem por grupo pela amostragem de rollout único, ou seja, usando um rollout por prompt. Aprimoramos ainda essa estratégia de rollout único com projetos práticos de treinamento do modelo de valor. Para melhorar a estabilidade da otimização, introduzimos uma estratégia rigorosa de recorte bilateral em nível de token. A SAO é capaz de treinar de forma estável por mil passos e superar consistentemente o GRPO e suas variantes em benchmarks agentivos de codificação e raciocínio, como SWE-Bench Verified, BeyondAIME e IMOAnswerBench. Também demonstramos que a RL de rollout único é particularmente eficaz em um cenário simulado de aprendizado online, onde o modelo deve se adaptar a ambientes em evolução e mudança. Para esse fim, a SAO foi implantada com sucesso no pipeline de RL agentivo para treinar o modelo aberto GLM-5.2 (750B-A40B).
Agentes incorporados são tipicamente construídos como composições projetadas manualmente de módulos de percepção, memória, planejamento e ação. Essa modularidade expõe um amplo espaço de design arquitetônico, mas os sistemas atuais ainda dependem da intuição do pesquisador para escolher onde as informações são armazenadas, como as observações são processadas e como as chamadas de modelo são conectadas. A Busca de Arquitetura de Agentes (AAS) automatiza esse design para agentes de domínio textual, mas não foi sistematicamente avaliada em agentes incorporados perceptuais por meio de rollouts de simulador. Estudamos essa transferência. Apresentamos o AgentCanvas, um runtime de grafo tipado que hospeda executores incorporados como programas editáveis de nós e conexões, com execução ciente do simulador e logs em nível de episódio, e o KDLoop, um procedimento de busca de agente de codificação que percorre propostas, críticas, experimentos e destilação, com reflexão acionada após estagnações. Avaliamos três variantes de AAS em quatro executores incorporados abrangendo navegação visão-linguagem, resposta a perguntas incorporadas e manipulação condicionada por linguagem. A matriz 3x4 resultante mostra que a busca em nível de arquitetura pode produzir ganhos implementáveis e direcionais na taxa de sucesso em tarefas incorporadas, enquanto um candidato aparentemente de alta pontuação é rejeitado por conter vazamentos. Ao mesmo tempo, os experimentos expõem restrições que são atenuadas no AAS de domínio textual: sinais de otimização podem ser mascarados pelo ruído do rollout, a busca pode ficar presa em bacias locais de edição, e a atribuição de crédito em nível de episódio emerge apenas parcialmente mesmo quando logs detalhados estão disponíveis. Esses resultados caracterizam tanto a promessa quanto os limites atuais da busca automatizada de arquitetura para agentes incorporados.
Modelos de atenção linear permitem um tamanho de estado fixo e uma quantidade fixa de computação por token. No entanto, devido ao seu tamanho de estado limitado, os modelos de atenção linear ficam aquém na recuperação de contexto longo em comparação com arquiteturas de transformador baseadas em atenção softmax. Aumentar o tamanho do estado da atenção linear melhora o desempenho de recuperação, mas ao custo de maior número de FLOPs. Neste trabalho, introduzimos a Memória Delta Esparsa (SDM), uma arquitetura que amplia o estado oculto de RNNs lineares com portas para uma capacidade ordens de grandeza maior usando um esquema de endereçamento esparso. A SDM estende a arquitetura DeltaNet com portas, substituindo o produto externo denso chave-valor por leituras e escritas esparsas a uma grande memória explícita. Mostramos que, sob uma restrição isoFLOP e com um número idêntico de parâmetros, uma maior capacidade de memória de estado melhora significativamente o desempenho em tarefas de aprendizagem em contexto e de recuperação de contexto longo. Além disso, ao aprender o estado inicial da memória SDM e, portanto, usá-la como uma memória paramétrica, mostramos que o modelo melhora ainda mais em uma ampla gama de tarefas de conhecimento comum e raciocínio.
Apresentamos o AgentLens, um benchmark avaliado em produção para agentes de código interativos. A maioria dos benchmarks para agentes de código reduz uma execução a um único bit — a tarefa foi bem-sucedida? — mas as pessoas que realmente utilizam esses agentes vivenciam toda a trajetória: como o agente segue instruções, utiliza suas ferramentas, verifica seu próprio trabalho, se recupera de erros e interage com elas ao longo do caminho. O AgentLens avalia essa trajetória completa. Ele combina verificação formal, na qual existe uma checagem objetiva, com revisões de trajetória escritas por LLMs e comparações lado a lado, de modo que cada execução produza uma explicação legível do porquê a pontuação é o que é. Isso torna o AgentLens útil para mais do que apenas ranquear modelos: nós o utilizamos para diagnosticar o comportamento do modelo, comparar versões sucessivas do nosso próprio agente e detectar regressões de produto em um pipeline de avaliação noturna. Disponibilizamos o benchmark como código aberto em https://github.com/agent-lens/agent-lens-bench.
Humanos podem navegar por uma cidade desconhecida e gradualmente formar um mapa mental espacial coerente que abrange dezenas de quilômetros quadrados. A IA pode construir representações espaciais em escala comparável? Embora modelos fundamentais recentes tenham avançado na reconstrução de cenas e na inteligência incorporada, escalar para cidades inteiras continua sendo um desafio em aberto, principalmente devido à falta de dados em escala urbana. Para preencher essa lacuna, apresentamos o WildCity, um conjunto de dados multimodal do mundo real coletado por frotas autônomas que percorrem ambientes urbanos complexos. Nosso conjunto de dados inclui 18 trajetórias, cada uma com média de 83,7 quilômetros de extensão, e preserva os desafios centrais da percepção em ambientes reais, como objetos dinâmicos, variações de iluminação e poses imperfeitas da câmera. Estabelecemos ainda uma linha de base de reconstrução adaptada ao ambiente urbano e convertemos os ambientes reconstruídos em um simulador de malha fechada. Além do conjunto de dados e da linha de base, analisamos sistematicamente os principais desafios no caminho para gêmeos digitais urbanos prontos para simulação: escalabilidade, extrapolação e incerteza. Em última análise, o WildCity visa catalisar o progresso não apenas na renderização em escala urbana, mas de forma mais ampla na busca por uma IA que possa perceber, lembrar e raciocinar no espaço em uma escala comparável à cognição humana. Página do projeto: https://han-xiangyu.github.io/Wild-City/
Políticas visuais aprendidas a partir de vídeos humanos, teleoperação e demonstrações robóticas oferecem prioris de movimento escaláveis, mas frequentemente falham em manipulações com contato intenso, onde o sucesso depende significativamente das forças locais e da geometria de contato. A percepção tátil fornece esses sinais complementares, mas os dados táteis continuam caros de coletar e difíceis de generalizar entre sensores, robôs e tarefas. Apresentamos o OmniTacTune, um pipeline de aprendizado por reforço no mundo real, independente de política, que adapta o feedback tátil a políticas visuais pré-treinadas por meio de correção residual. O OmniTacTune utiliza um design em dois estágios: primeiro, ele inicializa o aprendizado sensível ao tátil a partir de rolagens autônomas da política base; em seguida, aprende uma política residual tátil leve por meio de interação online. Experimentos extensos mostram que o OmniTacTune generaliza em diversas tarefas com contato intenso, políticas visuais base e representações táteis. Em quatro tarefas reais com contato intenso, ele melhora as políticas visuais base de 5-40% de sucesso para 85-100% em 40-80 minutos, demonstrando um caminho eficiente para adaptar o feedback tátil a políticas visuais robóticas escaláveis. Página do projeto: https://colinyu1.github.io/omnitactune-site/
Modelos de Linguagem de Grande Porte (LLMs) desbloquearam novas possibilidades na escrita automatizada de código, tornando-se a base da maioria das ferramentas de completamento de código. Embora LLMs se destaquem em linguagens mainstream, frequentemente carecem de suporte para as chamadas linguagens de baixos recursos, onde os dados de treinamento são escassos. Como resultado, essas linguagens ficam atrasadas na qualidade das ferramentas de completamento de código disponíveis para suas comunidades. Um exemplo concreto é o Pharo, uma linguagem inspirada no Smalltalk cujo IDE atualmente oferece apenas completamento de token único. Neste trabalho, relatamos nossa experiência ao trazer completamento de código baseado em LLM para o Pharo. Primeiro, descrevemos um pipeline de ponta a ponta que combina curadoria de dados específica do Pharo, pré-treinamento continuado e ajuste fino de LLMs de código aberto. Segundo, introduzimos um conjunto de benchmarks de completamento de código Pharo projetados para avaliar se os modelos (i) aprendem a sintaxe do Pharo e (ii) completam com precisão código Pharo mascarado de repositórios reais do GitHub. Terceiro, mostramos empiricamente que modelos especializados em Pharo superam substancialmente seus checkpoints base originais e também excedem a precisão de LLMs de código significativamente maiores no completamento de Pharo. No geral, nosso estudo de caso demonstra a viabilidade de trazer completamento de código baseado em LLM robusto para linguagens de programação de baixos recursos, com modelos pequenos o suficiente para fornecer suporte "em tempo real" dentro do IDE.
Modelos generativos de vídeo pré-treinados são fundações promissoras para o controle visuomotor, mas seus futuros imaginados frequentemente se desviam da intenção da tarefa e não são confiavelmente condicionais à ação. Consequentemente, esses modelos podem ser difíceis de usar para planejamento ou extração de políticas. Para superar essas limitações, propomos o RoboTALES, uma estrutura de estágio único que aprende futuros simulados alinhados à tarefa e os utiliza para treinar políticas robóticas. Nossa abordagem introduz duas inovações principais: (1) um planejador hierárquico baseado em LLM que divide tarefas complexas em uma sequência de subobjetivos para guiar a imaginação do modelo; e (2) um crítico baseado em VLM que avalia esses futuros "imaginados" e utiliza feedback baseado em recompensa para manter as representações internas do modelo focadas no objetivo. Ao ancorar o gerador de vídeo em raciocínio abstrato, produzimos rollouts temporalmente consistentes e ações mais coerentes. Avaliamos o RoboTALES em diversas tarefas de manipulação do RoboCasa e LIBERO10, e mostramos que nosso método supera consistentemente os métodos existentes, especialmente em tarefas de longo horizonte. Nosso código e modelos estão disponíveis publicamente em https://github.com/hananshafi/RoboTALES.
Modelos de observação da Terra (OT) baseados em pixels estão agora alcançando desempenho de ponta por meio de embeddings espaciais gerados. No entanto, como esses modelos escalam e como melhor gastar um orçamento de pré-treinamento ainda são pouco compreendidos. Apresentamos o maior estudo controlado de escalonamento para OT até o momento: 395 execuções de treinamento em 1.024 superchips GH200 dentro de uma família fixa de Barlow Twins baseada em pixels, cada uma avaliada em 15 tarefas downstream. Descobrimos que a perda de pré-treinamento mal prevê o desempenho downstream (|Pearson r| < 0,2), portanto, selecionar modelos pela perda desperdiça uma grande parte do poder computacional. Também descobrimos que, à medida que o orçamento de treinamento cresce, o encoder e os dados devem crescer juntos enquanto o projetor permanece fixo, o que fornece uma regra simples para alocar recursos computacionais. Usando essa regra, treinamos uma família de modelos baseados em pixels (0.5B e 1B, com um modelo de 2B em treinamento) e os destilamos em estudantes compactos para implantação de embeddings como dados. O TESSERA v2-1B-M destilado com 21 milhões de parâmetros supera, em agregado, todos os modelos abertos e proprietários testados, alguns dos quais são ordens de magnitude maiores. Esses estudantes produzem representações Matryoshka que são baratas de servir: um prefixo de 16 dimensões mantém 92% do desempenho total de 128 dimensões com 1/8 do armazenamento. Após a conclusão do treinamento, planejamos lançar embeddings globais v2 abrangendo 2017-2025. Juntos, esses resultados fornecem uma receita concreta e empiricamente fundamentada para escalar modelos base de OT baseados em pixels: treinar grandes encoders, selecionar pelo desempenho downstream e destilar em modelos estudantes flexíveis. Todo o código será disponibilizado em https://github.com/ucam-eo/tessera.
A classificação precisa do câncer de mama a partir da mamografia requer a integração eficaz de informações complementares das incidências craniocaudal (CC) e mediolateral oblíqua (MLO), que fornecem uma caracterização mais completa das anormalidades mamárias. No entanto, as abordagens existentes de aprendizado multivista geralmente dependem de agregação em nível de características ou de atenção cruzada em estágio único, o que pode embaralhar representações específicas de cada vista e compartilhadas, além de restringir a interação a profundidades limitadas da rede. Para superar essas limitações, propomos uma estrutura de aprendizado dupla-vista centrada em tokens que unifica adaptação baseada em prompts e fusão entre vistas dentro de um backbone de transformer de visão congelado. A estrutura reformula a interação entre vistas como comunicação estruturada em nível de token, onde tokens de fusão dedicados codificam explicitamente a troca bidirecional de informações entre as vistas CC e MLO por meio de atenção cruzada, servindo como transportadores intermediários das dependências entre vistas, em vez de depender da fusão direta de características. Diferentemente dos métodos convencionais que aplicam fusão em uma única camada, módulos de fusão são inseridos em múltiplas profundidades do transformer, permitindo interação progressiva e repetida ao longo da hierarquia do codificador. Os tokens de fusão são reintegrados na sequência de tokens e refinados por camadas subsequentes do transformer, facilitando a propagação hierárquica de informações complementares, preservando ao mesmo tempo a estrutura específica de cada vista. Experimentos nos conjuntos de dados VinDr-Mammo e CMMD demonstram melhorias consistentes em relação a sondagem linear, adaptação apenas com prompts e linhas de base de fusão convencionais. Na tarefa de classificação BI-RADS do VinDr-Mammo, a estrutura alcança 50,40% de F1-score e 0,8090 de AUC, incluindo uma melhoria de 0,10 na AUC em relação a uma linha de base de fusão dupla-vista no cenário binário. Estudos de ablação validam ainda mais a eficácia da fusão baseada em tokens e do design de interação em múltiplas profundidades.
O tato fornece a base física necessária para perceber propriedades intrínsecas dos materiais, como atrito e complacência, que apenas a visão muitas vezes não consegue resolver. Esforços recentes para equipar LLMs multimodais com esse sentido tátil, no entanto, expõem um trade-off de soma zero: o orçamento limitado de parâmetros de modelos compactos força uma escolha entre adquirir a nova modalidade sensorial e preservar o raciocínio visão-linguagem estabelecido. Apresentamos Splash, uma estrutura de aprendizado de alinhamento tátil com isolamento por máscara para MLLMs. Splash quantifica a significância de cada parâmetro pré-treinado e particiona o espaço de parâmetros em um subespaço dormente e um crítico. Enquanto o subespaço crítico congelado atua como uma âncora estável para salvaguardar o conhecimento visual geral, Splash atualiza o subespaço dormente isolado para internalizar o alinhamento tátil em direção aos LLMs. Essa expansão seletiva e não destrutiva previne efetivamente o esquecimento catastrófico e garante uma expansão de modalidade não destrutiva. Extensos experimentos mostram que o Splash atinge efetivamente o raciocínio tátil sem sobrecarga adicional de inferência na parte do LLM, demonstrando desempenho de ponta em benchmarks visuo-táteis, incluindo SSVTP, TVL e TacQuad, enquanto preserva suas capacidades originais de propósito geral.
Falhas de longo horizonte em modelos de mundo são convencionalmente atribuídas a erro cumulativo, um enquadramento genérico que não distingue que tipo de erro se acumula. Propomos uma reformulação cinemática versus dinâmica: modelos de mundo tendem a imaginar cinematicamente, e não dinamicamente. Operacionalizamos isso como o Erro de Consistência Cinemática Imaginado (iKCE), um diagnóstico passo a passo que mede o quão distante uma simulação se desvia de uma nulidade cinemática de forma fechada, emparelhado com um protocolo de perturbação que testa se o iKCE responde quando as condições físicas cruzam um limite de regime. Instanciamos o diagnóstico em um checkpoint do DreamerV3 lançado, treinado no DMC walker-walk, onde o iKCE imaginado opera aproximadamente duas ordens de magnitude acima do de simulações físicas reais equivalentes. Em uma varredura de atrito que cruza o limite de colapso da marcha, o iKCE do modelo permanece estatisticamente plano, mesmo enquanto a recompensa da política treinada colapsa nessa mesma faixa, fornecendo a assinatura cinemática, e não dinâmica. O diagnóstico distingue imaginação cinemática de dinâmica em horizontes mais longos que o período de marcha da personificação.