MuSix는 변화하는 환경의 체화(embodied) 에이전트를 위한 스케일 인지 월드 모델 혼합(MoE) 프레임워크다. 기존 MoE 라우팅에 스케일 개념이 없어 특정 스케일만 갱신할 수 없고, 스케일마다 지식이 낡는 속도가 달라 일률적 업데이트가 부적합하다는 두 문제를 겨냥했다. 해석수준이론(Construal Level Theory)에서 착안한 상황 신선도 척도 '경험적 거리'를 메타 라우터가 연속 스케일 공간의 가중치로 변환하고, 스케일별 라우터가 그 안에서 월드 모델을 고르는 2단계 라우팅을 쓴다. 적응 측면에서는 저수준 지식은 빠르게 갱신되고 고수준 추상화는 유지되는 스케일별 망각률과 게이트 방식의 스케일 간 전이로 일관성을 지킨다. EmbodiedBench와 HAZARD에서 최고 기존 기법 대비 다중 스케일 추론과 동적 적응 성능을 개선했으며 ECCV 2026에 채택됐다.
- •MoE의 두 한계 지적: 라우팅에 스케일 개념 부재, 스케일별 지식 노후화 속도 차이 미반영
- •해석수준이론 기반 '경험적 거리'로 상황 신선도를 측정하는 2단계 라우팅(메타 라우터 + 스케일별 라우터)
- •스케일별 망각률: 저수준 지식은 빠르게 갱신, 고수준 추상화는 지속
- •게이트 방식 스케일 간 전이로 계층 전체의 일관성 유지
- •EmbodiedBench·HAZARD에서 SOTA 대비 다중 스케일 추론·동적 적응 개선, ECCV 2026 채택
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Multi-scale Mixture of World Models for Embodied Agents in Evolving Environments
- 1.진화하는 환경의 체화 에이전트를 위한 스케일 인식 세계 모델 혼합 프레임워크 MuSix 제안
- 2.구성수준이론에서 착안한 '경험적 거리'로 스케일을 고르는 2단계 라우팅 도입
- 3.저스케일 지식은 빠르게, 고스케일 추상은 느리게 갱신하는 스케일별 망각률 적용
- 4.EmbodiedBench·HAZARD에서 다중 스케일 추론·동적 적응으로 SOTA 능가
왜 중요한가?
기존 MoE가 스케일 개념과 스케일별 지식 노후화 속도 차이를 다루지 못하던 한계를 해결해, 조건이 변하는 실세계 체화 에이전트의 지식 적응을 개선한다.
언급 프로젝트
본문 미리보기
arXiv:2607.00457v1 Announce Type: new Abstract: 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scales, and a uniform update policy cannot accommodate the different rates at which knowledge at each scale becomes outdated.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 addre
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
