T2-Z
一种面向机器人世界模型的测试时环境潜变量优化方法，通过引入可学习的环境潜变量并在部署时优化该潜变量，使世界模型能够快速适应训练分布之外的新环境，无需为新环境重新训练或收集数据。
时间轴 (近 90 天)
T2-Z 是由论文提出的方法，通过测试时优化环境潜变量，让机器人世界模型适应从未见过的环境配置。
T2-Z 在标准世界模型之上附加了一个可学习的环境潜变量（environment latent），用于条件化世界预测，且无需任何关于环境因素的监督信号。
T2-Z 的训练过程在世界模型优化阶段与环境潜变量优化阶段之间交替进行。
T2-Z 能够从单条测试时交互轨迹中高效推断环境潜变量，消融实验验证了这一点。
T2-Z 在 7 个模拟设置和 4 个真实机器人任务上进行了评估。
T2-Z 将物体预测误差指标从 15.20 降至 7.00，降幅超过一半。
T2-Z 将动作成功率从 33.73% 提升至 72.96%，接近翻倍。
论文指出，T2-Z 中涌现出的潜变量能够捕捉跨多样视觉场景中单一因素和复合因素的结构化表示。
T2-Z 属于测试时适应（Test-Time Adaptation, TTA）范式，避免为每个新环境做全模型微调，将适应能力压缩到一个低维潜变量上。
论文摘要未披露 T2-Z 潜变量的具体维度、优化所需的计算开销、以及真实任务中交互次数的分布情况。
还有 2 条时间轴事件
全部知识事实 (12)
T2-Z 是由论文提出的方法，通过测试时优化环境潜变量，让机器人世界模型适应从未见过的环境配置。
50%待验证T2-Z 在标准世界模型之上附加了一个可学习的环境潜变量（environment latent），用于条件化世界预测，且无需任何关于环境因素的监督信号。
50%待验证T2-Z 的训练过程在世界模型优化阶段与环境潜变量优化阶段之间交替进行。
50%待验证T2-Z 能够从单条测试时交互轨迹中高效推断环境潜变量，消融实验验证了这一点。
50%待验证T2-Z 在 7 个模拟设置和 4 个真实机器人任务上进行了评估。
50%待验证T2-Z 将物体预测误差指标从 15.20 降至 7.00，降幅超过一半。
50%待验证T2-Z 将动作成功率从 33.73% 提升至 72.96%，接近翻倍。
50%待验证论文指出，T2-Z 中涌现出的潜变量能够捕捉跨多样视觉场景中单一因素和复合因素的结构化表示。
50%待验证T2-Z 属于测试时适应（Test-Time Adaptation, TTA）范式，避免为每个新环境做全模型微调，将适应能力压缩到一个低维潜变量上。
50%待验证论文摘要未披露 T2-Z 潜变量的具体维度、优化所需的计算开销、以及真实任务中交互次数的分布情况。
50%待验证在 T2-Z 框架下，环境潜变量目前是在进入新环境时通过初始交互推断一次，随后保持固定。
50%待验证如果环境因素在交互过程中动态变化，T2-Z 固定潜变量的在线跟踪能力是一个开放问题。
50%