面向动态环境中具身智能体的测试时世界模型混合方法

基于语言模型的具身智能体在现实场景中日益普及，但在动态环境中适应能力有限，而构建准确且灵活的世界模型对有效推理与决策至关重要。为此，本文将混合专家（MoE）范式扩展至具身智能体，提出测试时世界模型混合框架（TMoW）。该框架在测试阶段动态更新世界模型的路由函数，通过多粒度原型路由、测试时特征对齐及基于蒸馏的混合增强，实现对未知和演化环境的持续适应。实验在VirtualHome、ALFWorld和RLBench基准上验证了其在零样本适应与少样本扩展场景中的优越性能。