币界网消息，Odyssey公司将强化学习（RLHF）引入视觉模型训练，发布了prowl框架，首次将RL引入世界模型的训练循环。

このフレームワークは、ゲーム環境で探索するRLエージェントを派遣し、モデルの幾何学、運動、視覚的一貫性、動作応答における失敗例を見つけ出し、これらのバグを訓練データとしてパッケージ化し、モデルにフィードバックします。
prowlは優先度対抗軌跡バッファ（PAT）を設計し、モデルが簡単なバグを修正した後、PATは自動的により難しい失敗例をプッシュします。
チームはMinecraftのMinerl環境でprowlを検証し、定量結果は、prowlが事前訓練のベースラインと比較して動作追従誤差を12.6％低減し、最も難しい上位10％のセグメントでは20.9％の低減を達成したことを示しています。