摘要
本文认为，通用智能体的泛化能力依赖于环境扩展，即扩大可执行规则集的分布，而非仅在固定基准上增加轨迹或任务。针对当前方法在界面或动态变化时的脆弱性，文章提出区分轨迹、任务与环境扩展的分类法，并综合了程序化生成器与生成式世界模型两种构建范式。此外，文章探讨了如何将环境扩展与状态学习机制结合，强调通过学习更新规则实现跨环境适应，为构建鲁棒通用智能体提供基础。
AI 推荐理由
论文主张通过环境扩展实现代理的跨域适应与泛化，核心涉及自我进化机制。
研究机构
1
2
3
4
论文信息