EKTルーター：身体を伴う視覚言語モデルにおける専門家と証拠の整合性

arXiv:2610.33044v1 発表タイプ：新規 要旨：身体を備えた視覚言語モデルは、部分的で変化する観測情報から質問に答える必要がある。その成功は、選択される推論能力と、それに利用可能な証拠の両方に依存する。専門家ルーターは内部計算を適応させる一方で、ツール拡張型システムは外部証拠を獲得する。これらを独立に選択すると、適切な専門家が必要な証拠を持たない状況が生じる可能性がある。そこで我々は、能力専門家、オプション知識、知覚ツールを統合的に選択する制限付きフレームワークであるEKT-Routerを提案する。結果に基づくシグネチャーは、一般推論、空間推論、時空間推論の各専門家の重なり合う強みを表現する。共同ユーティリティは、呼び出し予算の下で完全な専門家–証拠経路のスコアリングを行う。取得後、パケット検証器が有効なものを承認する