Dreamer 4：DeepMind推出的新型世界模型智能体

主要介绍

Dreamer 4是DeepMind推出的新型世界模型智能体，通过在快速且准确的世界模型中进行想象训练，解决复杂控制任务。作为首个仅依赖离线数据集（无需与环境交互）在《我的世界》游戏中成功获取钻石的智能体，它标志着世界模型从“紧凑内部表征”升级为“可离线学习、高保真、可交互的模拟宇宙”。其核心是通过模拟环境动态生成经验，使智能体在虚拟环境中完成决策优化，适用于游戏、机器人控制、自动驾驶等需要安全高效训练的场景。

功能特点

1. 离线想象训练：仅需固定数据集即可训练，无需实时环境交互，降低在线试错成本。
2. 高效Transformer架构：采用因果分词器（Causal Tokenizer）和交互式动力学模型，均基于Transformer，支持实时推理（单GPU可达21.4 FPS）。
3. Shortcut Forcing目标：通过强制学习短推理路径减少误差累积，提升生成质量（FVD从306降至57）。
4. 动作条件学习：少量标记动作数据（如100小时）即可达到全量数据85%以上的生成质量，支持从无标签视频中吸收知识。
5. 泛化能力：在《我的世界》主世界（Overworld）训练的模型可泛化至未标注的下界（Nether）场景。

优缺点

• 优点：
  • 安全性高：无需在线交互，避免物理机器人训练中的安全风险。
  • 数据效率强：从无标签视频中学习通用知识，减少标注依赖。
  • 泛化性广：支持跨场景任务迁移，如从游戏到机器人控制。
• 缺点：
  • 技术门槛高：需深度理解Transformer架构与动力学模型，非技术用户难以直接应用。
  • 复杂场景局限：在极端动态环境（如快速变化的现实场景）中性能可能下降。

主要应用场景

1. 游戏AI：在《我的世界》等开放世界游戏中完成复杂任务（如采集钻石）。
2. 机器人控制：通过模拟环境训练机械臂操作、导航等技能，降低硬件损耗风险。
3. 自动驾驶：在虚拟环境中模拟驾驶场景，优化决策系统。
4. 工业自动化：训练工厂机器人完成装配、质检等任务，减少停机调试时间。

使用方法

1. 环境配置：克隆GitHub仓库（https://github.com/danijar/dreamer4），安装依赖库（如PyTorch、TensorFlow）。
2. 数据准备：加载离线数据集（如《我的世界》VPT数据集），或通过掩码自编码技术处理无标签视频。
3. 模型训练：使用Shortcut Forcing目标训练动力学模型，通过Tokenizer压缩视频帧为连续表示。
4. 策略优化：在世界模型中插入任务输入，利用强化学习优化策略（如钻石采集路径规划）。
5. 部署测试：在虚拟环境中验证模型性能，或通过API集成至实际系统（如机器人控制器）。

收费标准

Dreamer 4为开源项目，用户可免费下载、使用及修改代码，无隐藏费用或订阅制度。

官网地址

• 项目主页：https://danijar.com/project/dreamer4/
• GitHub仓库：https://github.com/danijar/dreamer4
• 技术论文：https://arxiv.org/pdf/2509.24527v1