본 논문은 복잡하고 열린 환경에서 작동하는 구현체 에이전트에게 필수적인 추론과 상상 능력(세계 모델)을 종단간 일반화 정책(RIG)에 통합하는 최초의 시도를 제시합니다. 기존 연구들이 추론 또는 상상 능력 중 하나만을 사용하거나 여러 전문 모델을 통합하여 학습 효율과 일반화 성능이 제한적인 것과 달리, 본 논문은 추론과 상상을 종단간으로 학습하는 데이터 파이프라인을 구축합니다. 이 파이프라인은 기존 에이전트로부터 수집된 궤적에 상상과 추론의 내용을 점진적으로 통합하고 풍부하게 합니다. 추론과 다음 이미지 생성의 공동 학습은 추론, 행동 및 환경 역학 간의 상관관계를 명시적으로 모델링하여 기존 연구 대비 17배 이상의 샘플 효율 향상과 일반화 성능을 보입니다. 추론은 다음 행동을 결정하고 잠재적 행동을 생성한 후 행동 결과를 예측하며, 이를 통해 에이전트는 실제 행동을 취하기 전에 상상을 기반으로 검토하고 자체 수정할 기회를 얻습니다. 실험 결과는 추론과 상상의 시너지가 일반화 정책의 강건성, 일반화 및 상호 운용성을 향상시킬 뿐만 아니라 테스트 시간 확장을 통해 전반적인 성능을 향상시킨다는 것을 보여줍니다.
