Ежедневно отобранные исследовательские статьи по ИИ с переводами
Связи между структурой и свойствами являются основополагающими для биологии, химии и материаловедения, где функция, реакционная способность и физический отклик возникают из пространственной, химической и периодической организации. Механистическое объяснение этих связей требует интерпретации структурных данных через научные принципы и физические ограничения — от стереохимии и связывания до симметрии, энергетики и периодического порядка. Однако применение искусственного интеллекта к этому процессу представляет собой совместную задачу представления и рассуждения: модели должны сохранять предметно-ориентированную структурную информацию, показывая, как конкретные данные подтверждают предсказания в рамках этих ограничений. Здесь мы представляем SciReasoner — мультимодальную научную фундаментальную модель для нативных структурных рассуждений, охватывающую белки, малые молекулы и неорганические кристаллы. SciReasoner дискретизирует координаты, топологии и периодические связности в единый структурированный словарь, рассматривая структурные токены как адресуемые единицы данных в процессе рассуждения. При контролируемой по гомологии предсказании Gene Ontology SciReasoner улучшает аннотацию клеточных компонентов для белков с низкой гомологией и орфан-подобных белков, увеличивая F_{max} с 0,42 до 0,55. В химии он повышает точность одношагового ретросинтеза с 0,63 до 0,72, генерируя трассировки разрыва на уровне фрагментов и проверки предшественников. В материаловедении его представления разделяют элементарные и соединенные фазы и различают режимы высокой и низкой ширины запрещенной зоны. На 86 бенчмарках SciReasoner достигает современных результатов на 67 задачах. Двойная слепая экспертная оценка оценивает его следы рассуждений как предпочтительные или, по крайней мере, сравнимые с таковыми у передовой большой языковой модели в 98% случаев. Делая структуру инспектируемой основой для рассуждений в рамках научных ограничений, SciReasoner связывает точное предсказание с интерпретируемым научным выводом.
Основные модели Vision-Language-Action (VLA) прогнозируют действия преимущественно на основе текущего наблюдения в рамках марковского предположения, что затрудняет выполнение долгосрочных задач, зависящих от временной последовательности. Существующие VLA с дополненной памятью либо расширяют окно наблюдения, либо извлекают историю из банка памяти в качестве вспомогательного контекста на стороне политики. Однако они оставляют память за пределами нативного латентного пространства вложений рассуждений VLA, не позволяя историческому опыту плавно переплетаться с мультимодальным рассуждением и формированием действий. Для решения этой проблемы мы представляем LaMem-VLA — фреймворк с нативной латентной памятью, который реконструирует прошлый опыт в латентные токены памяти и напрямую переплетает их с рассуждениями VLA. В основе LaMem-VLA лежат четыре согласованных компонента: (i) куратор, организующий прошлый опыт в два взаимодополняющих хранилища — кратковременной и долговременной памяти; (ii) поисковик, запрашивающий оба хранилища с использованием мультимодального познания для извлечения релевантных контексту свидетельств; (iii) конденсатор, реконструирующий извлечённые свидетельства в компактные кратковременные и долговременные латентные токены памяти; и (iv) вплетатель, внедряющий эти токены памяти вместе с текущим наблюдением и инструкцией в одну непрерывную последовательность вложений. Представляя, извлекая и используя исторический опыт полностью в одном и том же непрерывном латентном пространстве, LaMem-VLA позволяет памяти напрямую участвовать в рассуждениях VLA и направлять генерацию действий в условиях ограниченного контекста. Обширные эксперименты на SimplerEnv и LIBERO демонстрируют превосходство нашего LaMem-VLA.
Несмотря на недавние успехи в управлении роботами, видеогенеративные модели страдают от несоответствия доменов, обусловленного их основной направленностью на создание контента. Например, их архитектура по своей сути ставит визуальную точность и креативность выше вычислительной эффективности и физического реализма. В данной работе мы представляем LingBot-Video — парадигму предобучения видео на основе DiT, специально разработанную для воплощенного интеллекта. С точки зрения архитектуры, мы используем фреймворк Смеси экспертов (MoE) вместо плотного, чтобы достичь лучшего компромисса между моделирующей способностью и эффективностью вывода, и нам удалось масштабировать его с нуля. С точки зрения данных, мы создаем движок профилирования данных, который дополняет стандартные интернет-видео обширными видеоматериалами, ориентированными на роботов и включающими манипуляции, навигацию и эгоцентрические перспективы, чтобы наделить базовую модель внутренним пониманием действий и динамики мира. С точки зрения обучения, мы разрабатываем многомерную систему вознаграждений для обеспечения согласованности в отношении физической рациональности и выполнения задач, выходя за рамки стандартных критериев, таких как эстетика, следование запросу и согласованность движений. Всесторонние оценки подтверждают ее производительность и эффективность в качестве видеофундаментальной модели. Мы предоставляем LingBot-Video сообществу в качестве первой крупномасштабной открытой MoE видеофундаментальной модели, в новаторской попытке соединить цифровое творчество и физическое управление.
Мы представляем LingBot-World 2.0 (также известную как LingBot-World-Infinity) — усовершенствованную версию LingBot-World, включающую четыре существенных улучшения. (1) Наша модель демонстрирует неограниченный горизонт взаимодействия при стабильном качестве вывода благодаря тщательно разработанной парадигме каузального претренинга. (2) Благодаря дистилляции варианта реального времени из базовой модели наша система гарантирует малое время отклика, достаточное для управления видеопотоками разрешения 720p при 60 кадрах в секунду. (3) По сравнению с предыдущей версией, данное обновление вводит высокоразнообразные интерактивные элементы, включающие более широкий спектр действий (например, атаку, стрельбу из лука, заклинания и огнестрельное оружие), а также более богатый набор текстово-управляемых событий. (4) Мы впервые внедряем агентное управление в область моделирования миров, где агент-пилот отвечает за планирование и выполнение действий персонажа, а агент-режиссер — за синтез новых элементов окружения по мере развития сцены. Кроме того, для обеспечения совместного опыта мы разрабатываем интерфейс, позволяющий нескольким игрокам одновременно погружаться в этот живой симулятор мира. Мы дополняем нашу основную модель с 14 млрд параметров легковесным аналогом с 1,3 млрд параметров, поддерживающим простое развертывание на одном GPU.
Политики универсального роботизированного манипулирования стремительно развиваются, однако существующие бенчмарки остаются ограниченными в систематической оценке их возможностей. Многие из них основаны на простых, краткосрочных или узкоспециализированных задачах с ограниченным охватом навыков и часто проводятся только в симуляции или только в реальном мире. Симуляция обеспечивает масштабируемую обратную связь, но упускает проблемы физического развертывания, в то время как оценка в реальном мире дорога, трудоемка и плохо воспроизводится. Мы представляем RoboDojo — унифицированный бенчмарк для симуляции и реального мира, предназначенный для всесторонней оценки политик универсального роботизированного манипулирования. RoboDojo включает 42 задачи симуляции и 18 задач реального мира, охватывающих разнообразные и взаимодополняющие навыки манипулирования. Бенчмарк в симуляции оценивает пять измерений: обобщение, память, точность, выполнение длительных последовательностей действий и следование инструкциям с открытым словарем, в то время как бенчмарк в реальном мире подвергает политики сложным условиям физического развертывания. RoboDojo поддерживает масштабируемую оценку через гетерогенную параллельную симуляцию в Isaac Sim и предоставляет RoboDojo-RealEval — воспроизводимую систему оценки реального мира с удаленным облачным доступом, стандартизированным оборудованием, сбросом сцен, протоколом оценки и интерфейсом развертывания. Вместе с XPolicyLab политики могут быть интегрированы один раз и оценены как в симуляции, так и в условиях реального мира с минимальной адаптацией. Мы интегрировали 30 политик в XPolicyLab и оценили их на RoboDojo, создав публичную таблицу лидеров и систематический анализ текущей производительности политик. Веб-сайт доступен по адресу http://robodojo-benchmark.com/.
Обучение с подкреплением (RL) приобретает всё большее значение для этапа пост-обучения больших языковых моделей (LLM). Ранее конвейеры RL для LLM были в основном синхронными и работали с пакетами данных, перемежая итерации, что неэффективно для долгосрочных агентных задач. В последнее время асинхронное обучение с подкреплением стало более эффективной альтернативой, позволяя обновлять модель по мере поступления результатов развёрток. Однако существующие системы асинхронного RL часто делают упор на пропускную способность, оставляя стабильность обучения и эффективность выполнения задач в значительной степени неизученными. Например, ключевой проблемой является то, что групповая выборка в широко используемой структуре GRPO не подходит для асинхронного агентного обучения. В данной статье мы представляем метод однопрогонной асинхронной оптимизации (SAO), предназначенный для решения проблем стабильности и off-policy в асинхронном RL. Для уменьшения off-policy эффектов и улучшения обобщения мы заменяем групповую выборку на однопрогонную, то есть используем один прогон на каждый запрос. Мы дополнительно улучшаем эту стратегию однопрогонной выборки с помощью практических схем обучения модели ценности. Для повышения стабильности оптимизации мы вводим строгую двустороннюю стратегию клиппирования на уровне токенов. SAO способен стабильно обучаться в течение тысячи шагов и стабильно превосходить GRPO и его варианты на агентных задачах кодирования и рассуждения, таких как SWE-Bench Verified, BeyondAIME и IMOAnswerBench. Мы также демонстрируем, что однопрогонное RL особенно эффективно в условиях симулированного онлайн-обучения, где модель должна адаптироваться к изменяющейся эволюционирующей среде. В результате SAO успешно внедрён в агентный конвейер RL для обучения открытой модели GLM-5.2 (750B-A40B).
Воплощенные агенты обычно создаются как вручную разработанные композиции модулей восприятия, памяти, планирования и действий. Эта модульность открывает большое пространство для архитектурного проектирования, однако современные системы по-прежнему полагаются на интуицию исследователя при выборе того, где хранить информацию, как обрабатывать наблюдения и как соединять вызовы моделей. Поиск архитектуры агентов (AAS) автоматизирует такое проектирование для агентов в текстовой области, но не был систематически оценен на воспринимающих воплощенных агентах с помощью развертываний в симуляторе. Мы изучаем этот перенос. Мы представляем AgentCanvas — типизированную графовую среду выполнения, которая размещает воплощенные исполнители в виде редактируемых программ из узлов и связей с исполнением, учитывающим симулятор, и журналами на уровне эпизодов, а также KDLoop — процедуру поиска с помощью агента-кодировщика, которая циклически проходит через предложение, критику, эксперимент и дистилляцию, с инициированной рефлексией после задержек. Мы оцениваем три варианта AAS на четырех воплощенных исполнителях, охватывающих навигацию на основе зрения и языка, воплощенный ответ на вопросы и манипуляции по языковой инструкции. Полученная матрица 3×4 показывает, что поиск на уровне архитектуры может дать развертываемые и направленные приросты показателя успеха на воплощенных задачах, в то время как один очевидный кандидат с высокими показателями отвергается как содержащий утечку. В то же время эксперименты выявляют ограничения, которые сглажены в текстовом AAS: сигналы оптимизации могут маскироваться шумом развертывания, поиск может застревать в локальных бассейнах редактирования, а присвоение вклада на уровне эпизодов проявляется лишь частично, даже при наличии подробных журналов. Эти результаты характеризуют как перспективы, так и текущие ограничения автоматизированного поиска архитектуры для воплощенных агентов.
Линейные модели внимания обеспечивают фиксированный размер состояния и фиксированный объем вычислений на токен. Однако из-за ограниченного размера состояния такие модели уступают архитектурам трансформеров на основе softmax-внимания при извлечении информации из длинных контекстов. Увеличение размера состояния линейных моделей внимания улучшает качество извлечения, но ценой роста числа операций с плавающей точкой (FLOPs). В данной работе мы представляем разреженную дельта-память (Sparse Delta Memory, SDM) — архитектуру, которая увеличивает емкость скрытого состояния линейных рекуррентных нейронных сетей с вентильными механизмами на порядки за счет использования разреженной адресации. SDM расширяет архитектуру Gated DeltaNet, заменяя плотное внешнее произведение ключ-значение на разреженные чтение и запись в большую явную память. Мы показываем, что при одинаковых ограничениях по FLOPs и идентичном числе параметров более высокая емкость состояния памяти значительно улучшает производительность на задачах обучения в контексте и извлечения информации из длинных контекстов. Кроме того, обучая начальное состояние памяти SDM и, следовательно, используя ее как параметрическую память, мы демонстрируем, что модель дополнительно улучшает результаты на широком спектре задач на общие знания и рассуждение.
Мы представляем AgentLens — бенчмарк, оцененный в продукционной среде, для интерактивных кодовых агентов. Большинство бенчмарков для кодовых агентов сводят выполнение к одному биту — пройдена ли задача? — но люди, которые действительно используют этих агентов, наблюдают всю траекторию: как агент следует инструкциям, использует свои инструменты, проверяет собственную работу, восстанавливается после ошибок и общается с ними по ходу дела. AgentLens оценивает всю эту траекторию. Он объединяет формальную верификацию (где существует объективная проверка) с обзорами траектории, написанными LLM, и попарными сравнениями, так что каждый запуск дает читаемое объяснение того, почему оценка именно такая. Это делает AgentLens полезным не только для ранжирования моделей: мы используем его для диагностики поведения моделей, сравнения последовательных версий нашего собственного агента и выявления регрессий продукта в ежедневном конвейере оценки. Мы публикуем бенчмарк в открытом доступе по адресу https://github.com/agent-lens/agent-lens-bench.
Люди способны ориентироваться в незнакомом городе и постепенно формировать целостную пространственную ментальную карту, охватывающую десятки квадратных километров. Может ли ИИ строить пространственные представления сопоставимого масштаба? Хотя недавние фундаментальные модели продвинули реконструкцию сцен и воплощенный интеллект, масштабирование до целых городов остается открытой задачей, в первую очередь из-за отсутствия данных городского масштаба. Для преодоления этого разрыва мы представляем WildCity — реальный мультимодальный набор данных, собранный автономными автопарками, перемещающимися по сложной городской среде. Наш набор данных включает 18 траекторий, средняя длина каждой из которых составляет 83,7 километра, и сохраняет ключевые задачи восприятия в естественных условиях, такие как динамические объекты, вариации освещения и несовершенные положения камер. Мы также создаем базовую линию реконструкции, адаптированную для городских условий, и преобразуем реконструированную среду в симулятор с замкнутым контуром. Помимо набора данных и базовой линии, мы систематически анализируем ключевые проблемы на пути к готовым к симуляции городским цифровым двойникам: масштабируемость, экстраполяцию и неопределенность. В конечном счете, WildCity направлен на стимулирование прогресса не только в рендеринге городского масштаба, но и в более широком стремлении к ИИ, способному воспринимать, запоминать и рассуждать о пространстве в масштабе, сопоставимом с человеческим познанием. Страница проекта: https://han-xiangyu.github.io/Wild-City/
Визуальные политики, обученные на видео человека, телеуправлении и робототехнических демонстрациях, предлагают масштабируемые априорные представления о движениях, но часто терпят неудачу в контактно-зависимом манипулировании, где успех существенно зависит от локальных сил и геометрии контакта. Тактильная сенсорика предоставляет эти дополнительные сигналы, однако тактильные данные остаются дорогостоящими в сборе и трудно обобщаются между сенсорами, роботами и задачами. Мы представляем OmniTacTune — не зависящий от политики конвейер обучения с подкреплением в реальном мире, который адаптирует тактильную обратную связь к предобученным визуальным политикам посредством остаточной коррекции. OmniTacTune использует двухэтапную конструкцию: сначала он инициализирует тактильно-осведомлённое обучение на основе автономных проигрываний базовой политики, а затем изучает лёгкую тактильную остаточную политику посредством онлайн-взаимодействия. Обширные эксперименты показывают, что OmniTacTune обобщается на различные контактно-зависимые задачи, визуальные базовые политики и тактильные представления. В четырёх реальных задачах с интенсивным контактом он повышает успешность визуальных базовых политик с 5–40% до 85–100% в течение 40–80 минут, демонстрируя эффективный путь адаптации тактильной обратной связи к масштабируемым визуальным робототехническим политикам. Страница проекта: https://colinyu1.github.io/omnitactune-site/
Большие языковые модели (LLM) открыли новые возможности для автоматического написания кода, став основой большинства инструментов автодополнения кода. Хотя LLM превосходно работают с распространёнными языками, они часто не поддерживают так называемые низкоресурсные языки, для которых обучающих данных недостаточно. В результате такие языки отстают по качеству инструментов автодополнения, доступных их сообществам. Конкретным примером служит Pharo — язык, вдохновлённый Smalltalk, среда разработки которого в настоящее время предлагает лишь однотокенное автодополнение. В данной работе мы делимся опытом внедрения автодополнения кода на основе LLM в Pharo. Во-первых, мы описываем сквозной конвейер, объединяющий курирование данных, специфичных для Pharo, продолженное предобучение и тонкую настройку открытых кодовых LLM. Во-вторых, мы представляем набор тестов автодополнения кода на Pharo, предназначенных для оценки того, насколько модели (i) усваивают синтаксис Pharo и (ii) корректно восстанавливают маскированный код Pharo из реальных репозиториев GitHub. В-третьих, мы эмпирически показываем, что специализированные для Pharo модели существенно превосходят свои исходные базовые контрольные точки, а также превышают точность значительно более крупных кодовых LLM при автодополнении на Pharo. В целом, наше исследование демонстрирует принципиальную возможность внедрения мощного автодополнения кода на основе LLM для низкоресурсных языков программирования с помощью моделей, достаточно компактных для обеспечения поддержки в среде разработки в реальном времени.
Предварительно обученные генеративные модели видео являются перспективными базовыми моделями для визуомоторного управления, однако их воображаемые будущие состояния часто отклоняются от цели задачи и не являются надежно обусловленными действиями. В результате такие модели могут быть сложны в использовании для планирования или извлечения политики. Для решения этих ограничений мы предлагаем RoboTALES — одноэтапную структуру, которая изучает согласованные с задачей симулированные будущие состояния и использует их для обучения роботизированных политик. Наш подход включает две ключевые инновации: (1) иерархический планировщик на основе LLM, который разбивает сложные задачи на последовательность подцелей, направляющих воображение модели; и (2) критик на основе VLM, оценивающий эти «воображаемые» будущие состояния и использующий вознаграждающую обратную связь для удержания внутренних представлений модели сфокусированными на цели. Закрепляя генератор видео за абстрактным рассуждением, мы получаем временно согласованные развертки и более когерентные действия. Мы оцениваем RoboTALES на различных задачах манипуляции из RoboCasa и LIBERO10 и показываем, что наш метод стабильно превосходит существующие подходы, особенно в задачах с большим горизонтом планирования. Наш код и модели общедоступны по адресу https://github.com/hananshafi/RoboTALES.
Попиксельные фундаментальные модели наблюдения Земли (Earth-observation, EO) в настоящее время достигают самых передовых результатов благодаря генерируемым пространственным эмбеддингам. Однако то, как эти модели масштабируются и как лучше всего распределять бюджет предварительного обучения, остается слабо изученным. Мы представляем крупнейшее на сегодняшний день контролируемое исследование масштабирования для EO: 395 тренировочных запусков на 1 024 суперчипах GH200 в рамках фиксированного семейства пиксельных моделей Barlow Twins, каждая из которых оценена на 15 последующих задачах. Мы обнаружили, что потери при предварительном обучении почти не предсказывают последующую производительность (|коэффициент Пирсона r| < 0.2), поэтому отбор моделей по потерям приводит к значительным вычислительным затратам. Также мы выяснили, что с ростом бюджета обучения кодировщик и данные должны увеличиваться вместе, в то время как проектор остается фиксированным; это дает простое правило для распределения вычислительных ресурсов. Используя это правило, мы обучаем семейство пиксельных моделей (0.5B и 1B, а также модель на 2B в процессе обучения) и дистиллируем их в компактные студенческие модели для развертывания в режиме "эмбеддинги как данные". Дистиллированная модель TESSERA v2-1B-M с 21 миллионом параметров в совокупности превосходит все протестированные открытые и проприетарные модели, некоторые из которых на порядки больше. Эти студенческие модели создают матрёшечные представления (Matryoshka representations), которые недороги в обслуживании: 16-мерный префикс сохраняет 92% производительности полного 128-мерного представления при 1/8 объема памяти. После завершения обучения мы планируем выпустить глобальные эмбеддинги версии v2, охватывающие период с 2017 по 2025 год. В совокупности эти результаты дают конкретное, эмпирически обоснованное руководство по масштабированию попиксельных фундаментальных моделей EO: обучайте большие кодировщики, отбирайте по последующей производительности и дистиллируйте в гибкие студенческие модели. Весь код будет опубликован по адресу https://github.com/ucam-eo/tessera.
Точная классификация рака молочной железы по маммографическим изображениям требует эффективной интеграции взаимодополняющей информации из краниокаудальной (CC) и медиолатеральной косой (MLO) проекций, которые обеспечивают более полную характеристику аномалий молочной железы. Однако существующие подходы многовидового обучения обычно основаны на агрегации признаков или одноэтапном кросс-внимании, что может запутывать видоспецифические и общие представления и ограничивать взаимодействие ограниченной глубиной сети. Для преодоления этих ограничений мы предлагаем токен-центричную двухпроекционную обучающую структуру, которая объединяет адаптацию на основе подсказок и кросс-проекционное слияние в рамках замороженной основы vision transformer. Предлагаемая структура переформулирует межпроекционное взаимодействие как структурированную коммуникацию на уровне токенов, где специальные токены слияния кодируют двунаправленный обмен информацией между CC- и MLO-проекциями посредством кросс-внимания, выступая в качестве промежуточных носителей кросс-проекционных зависимостей вместо прямого слияния признаков. В отличие от традиционных методов, применяющих слияние на одном слое, модули слияния встраиваются на нескольких глубинах transformer, что обеспечивает прогрессивное и повторяющееся взаимодействие по всей иерархии кодировщика. Токены слияния повторно интегрируются в последовательность токенов и уточняются последующими слоями transformer, облегчая иерархическое распространение взаимодополняющей информации с сохранением видоспецифической структуры. Эксперименты на наборах данных VinDr-Mammo и CMMD демонстрируют последовательное улучшение по сравнению с линейным пробированием, адаптацией только на основе подсказок и традиционными базовыми методами слияния. В задаче классификации BI-RADS на VinDr-Mammo предложенная структура достигает F1-меры 50,40% и AUC 0,8090, включая улучшение AUC на 0,10 по сравнению с базовым методом двухпроекционного слияния в бинарной постановке. Абляционные исследования дополнительно подтверждают эффективность слияния на основе токенов и многоуровневого взаимодействия.
Осязание обеспечивает физическую основу, необходимую для восприятия внутренних свойств материалов, таких как трение и податливость, которые одно лишь зрение часто не в состоянии разрешить. Однако недавние попытки оснастить мультимодальные LLM этим тактильным чувством выявляют компромисс с нулевой суммой: ограниченный бюджет параметров компактных моделей вынуждает выбирать между приобретением новой сенсорной модальности и сохранением устоявшегося визуально-языкового рассуждения. Мы представляем Splash — фреймворк обучения тактильному выравниванию для MLLM на основе изолирующей маски. Splash количественно оценивает значимость каждого предобученного параметра и разделяет пространство параметров на бездействующее и критическое подпространства. В то время как замороженное критическое подпространство служит стабильным якорем для сохранения общих визуальных знаний, Splash обновляет изолированное бездействующее подпространство для интернализации тактильного выравнивания по отношению к LLM. Такое выборочное, неразрушающее расширение эффективно предотвращает катастрофическое забывание и обеспечивает неразрушающее расширение модальностей. Обширные эксперименты показывают, что Splash эффективно достигает тактильного рассуждения без дополнительных вычислительных затрат на этапе вывода в части LLM, демонстрируя передовые результаты на визуально-тактильных эталонах, включая SSVTP, TVL и TacQuad, при этом сохраняя свои исходные универсальные возможности.
Долгосрочный сбой в моделях мира традиционно объясняется накоплением ошибки — общей рамкой, не различающей, какой именно тип ошибки накапливается. Мы предлагаем кинематическую/динамическую переформулировку: модели мира склонны воображать кинематически, а не динамически. Мы операционализируем это как воображаемую ошибку кинематической согласованности (iKCE) — пошаговый диагностический показатель, измеряющий, насколько развёртка отклоняется от кинематического нуля в замкнутой форме, в паре с протоколом возмущений, проверяющим, реагирует ли iKCE при пересечении физическими условиями границы режима. Мы реализуем диагностику на опубликованной контрольной точке DreamerV3, обученной на задаче DMC walker-walk, где воображаемая iKCE примерно на два порядка выше, чем в сопоставимых развёртках реальной физики. При варьировании трения, пересекающем границу коллапса походки, iKCE модели остаётся статистически плоской, даже когда вознаграждение обученной политики резко падает в том же диапазоне, что даёт кинематическую, а не динамическую сигнатуру. Диагностика различает кинематическое и динамическое воображение на горизонтах, превышающих период походки воплощённого агента.