多尺度世界模型混合框架MuSix：让具身智能体适应动态环境

具身智能体在真实世界中运行时，需要具备多尺度推理能力，并随着环境变化不断调整知识。然而，将专家混合模型应用于这一场景面临两大挑战：一是路由机制缺乏明确的尺度概念，难以针对特定尺度进行定向更新；二是统一的更新策略无法适应不同尺度知识老化速度的差异。

为此，研究团队提出MuSix框架，通过尺度感知的世界模型混合与演化机制解决上述问题。该框架采用两阶段路由机制：首先，元路由器根据情境新颖性度量（受解释水平理论启发）将输入映射到连续尺度空间的权重分布；随后，各尺度的基础路由器在选定尺度内选择相应的世界模型。

在适应机制方面，MuSix引入尺度依赖的遗忘率——低尺度知识快速刷新，而高尺度抽象保持稳定，并通过门控跨尺度传输保持层次结构的一致性。实验表明，在EmbodiedBench和HAZARD基准测试中，MuSix在多尺度推理和动态适应任务上均优于当前最先进的基线模型。该研究为具身智能在复杂动态环境中的实际应用提供了新的技术思路。