في عالم الذكاء الاصطناعي، يعد تكيف الوكلاء المجسّدين مع التغيرات البيئية أحد أكبر التحديات. حيث يتطلب الأداء الفعّال في العالم الحقيقي استخدام أساليب تفكير متعددة النطاقات. في هذا السياق، تم تقديم نموذج "MuSix" الذي يعالج مشكلتين رئيسيتين متعلقتين بتطبيق نماذج خبراء خليط (Mixture of Experts) على هذه الوكلاء.

يتمثل التحدي الأول في عدم توفر مفهوم واضح للنطاق في عملية التوجيه، ما يعيق تحديثات مركّزة على نطاقات محددة. بينما يتمثل الثاني في أن سياسة التحديث الواحدة لا تستطيع تلبية مختلف معدلات احتياج المعرفة للتحديث في كل نطاق. وأظهر النموذج الجديد "MuSix" كيف يمكن التغلب على هذين التحديين عبر إنشاء خليط من النماذج العالمية المتاحة.

تعتمد آلية التوجيه في "MuSix" على مسافة الخبرة، وهي قياس للحداثة الوضعية، حيث يتم استخدام "موصلات" متعددة. يقوم الموصل الرئيسي أولًا بتحويل هذه الكمية إلى وزن عبر نطاق مقContinuous، ثم يقوم موصلات النماذج المرتبطة بالنطاقات باختيار النماذج العالمية المناسبة.

علاوة على ذلك، تسمح معدلات النسيان المعتمدة على النطاق بتحديث المعرفة ذات النطاقات المنخفضة بسرعة، بينما تبقى التجريدات ذات النطاقات العليا ثابتة. وتساعد نقل المعرفة بين النطاقات في الحفاظ على الاتساق عبر التسلسل الهرمي.

أظهرت التجارب التي جرت على مجموعة بيانات "EmbodiedBench" و"HAZARD" أن "MuSix" يتفوق على النماذج الحديثة في معالجة التفكير متعدد النطاقات والتكيف الديناميكي، مما يمنحه ثقة أكبر في أداء المهام المعقدة.