一个模型应对所有任务：在多任务规划中利用高效世界模型

arXiv 25.9 2025 56.3 method

TLDR

提出ScaleZero，用混合专家和动态参数缩放缓解梯度冲突，提高样本效率。

评分理由

Strengths include systematic architectural investigation and theoretical/empirical validation of MoE for gradient conflict reduction, plus adaptive capacity allocation via DPS. Weaknesses: abstract is cut off, missing full results and limitations; reliance on simulated benchmarks (Atari, DMC, Jericho) rather than real-world tasks.

Read-first 评分解释

综合优先阅读分 56.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 38。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、评估

主题相关性 42%

54.3

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码、GitHub

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：242。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

world simulator

generative world model

interactive world model

video world model

深度分析

创新点

混合专家（MoE）架构，用于缓解多任务世界模型中的梯度冲突
使用LoRA适配器的在线动态参数缩放（DPS）策略，用于自适应容量分配

方法

本文通过混合专家（MoE）架构扩展了UniZero模型，将任务特定表示路由到专门的子网络，从理论和经验上缓解了梯度冲突。此外，一种在线动态参数缩放（DPS）策略根据任务特定进度逐步集成LoRA适配器，以动态分配模型容量。该模型使用在线强化学习在多种基准（Atari、DMC、Jericho）上进行训练，并与专门化的单任务智能体进行比较。

关键结果

仅使用在线强化学习且仅用一个模型的ScaleZero，其性能与专门化的单任务智能体相当。采用DPS策略后，它在仅使用71.5%环境交互的情况下仍保持竞争力。

技术栈

UniZeroMixture-of-Experts (MoE)LoRADynamic Parameter Scaling (DPS)Online Reinforcement Learning

资源

论文