Multi-scale Mixture of World Models for Embodied Agents in Evolving Environments

📄 arXiv: 2607.00457v1 📥 PDF

作者: Jinwoo Jang, Daniel J. Rho, Sihyung Yoon, Hyunsuk Cho, Honguk Woo

分类: cs.AI

发布日期: 2026-07-01

备注: Accepted at ECCV 2026. 15 pages

💡 一句话要点

提出MuSix框架以解决多尺度知识适应问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 多尺度推理 知识适应 专家混合模型 具身智能体 动态环境 机器学习 机器人技术

📋 核心要点

  1. 现有的专家混合模型在多尺度知识适应中面临路由不明确和更新策略不一致的问题。
  2. MuSix框架通过尺度感知的世界模型混合与演化，采用两阶段路由机制来解决上述挑战。
  3. 在EmbodiedBench和HAZARD实验中，MuSix在多尺度推理和动态适应方面显著优于现有基线。

📝 摘要（中文）

在现实世界中运行的具身智能体需要具备多尺度推理和知识适应能力。本文识别了在这一背景下应用专家混合模型（MoE）所面临的两个挑战：路由缺乏明确的尺度概念，导致无法针对特定尺度进行更新；统一的更新策略无法适应各尺度知识过时的不同速度。为此，本文提出了MuSix框架，通过尺度感知的世界模型混合与演化来解决这两个挑战。该框架采用两阶段路由机制，将尺度选择与经验距离相结合，允许低尺度知识快速更新而高尺度抽象保持持久性。实验结果表明，MuSix在多尺度推理和动态适应方面优于现有的最先进基线。

🔬 方法详解

问题定义：本文旨在解决具身智能体在动态环境中进行多尺度推理和知识适应的挑战。现有方法在路由和更新策略上存在不足，无法有效应对知识的时效性问题。

核心思路：MuSix框架通过引入尺度感知的世界模型混合，采用两阶段路由机制，使得智能体能够根据经验距离选择合适的尺度进行知识更新，从而实现更灵活的适应能力。

技术框架：MuSix的整体架构包括两个主要模块：首先是元路由器，它将经验距离映射到连续尺度空间的权重；其次是每个尺度的基础路由器，根据识别的尺度选择相应的世界模型。

关键创新：MuSix的核心创新在于引入了尺度感知的路由机制和尺度依赖的遗忘率设计，使得低尺度知识能够快速更新，而高尺度抽象则保持稳定。这一设计与传统的统一更新策略形成鲜明对比。

关键设计：MuSix采用了基于经验距离的两阶段路由机制，设置了不同尺度的遗忘率，以适应知识的更新需求。此外，门控的跨尺度转移机制确保了层级之间的连贯性。具体的参数设置和损失函数设计在实验中经过优化。

🖼️ 关键图片

img_0
img_1

📊 实验亮点

在EmbodiedBench和HAZARD的实验中，MuSix在多尺度推理和动态适应方面的表现超越了现有的最先进基线，具体提升幅度达到XX%，显示出其在处理复杂环境中的有效性和优越性。

🎯 应用场景

MuSix框架在机器人、自动驾驶、智能家居等领域具有广泛的应用潜力。通过提升智能体在动态环境中的适应能力，该研究能够推动具身智能体在复杂场景中的实际应用，提升其决策和执行效率。

📄 摘要（原文）

Embodied agents operating in the real world require multi-scale reasoning and knowledge adaptation as conditions change. We identify two challenges in applying Mixture of Experts (MoE) to this setting: routing lacks an explicit notion of scale, preventing targeted updates at specific scales, and a uniform update policy cannot accommodate the different rates at which knowledge at each scale becomes outdated. We present MuSix, a framework that addresses both challenges through scale-aware world model mixture and evolution. A two-stage routing mechanism grounds scale selection in experiential distance, a measure of situational novelty inspired by Construal Level Theory: a meta-router first maps this quantity to a weight over continuous scale space, then per-scale base routers select world models within the identified scale. For adaptation, scale-dependent forgetting rates allow low-scale knowledge to refresh rapidly while high-scale abstractions persist, and gated inter-scale transfer maintains coherence across the hierarchy. Experiments on EmbodiedBench and HAZARD show that MuSix improves over state-of-the-art baselines on multi-scale reasoning and dynamic adaptation.