11:37arXiv cs.AI@Jiayi Zhang, Fanqi Kong, Guibin Zhang, Maojia Song, Zhaoyang Yu, Jianhao Ruan, Jinyu Xiang, Bang Liu, Chenglin Wu, Yuyu Luo精选这篇立场论文提出,通用智能体需要环境缩放(environment scaling)来适应训练分布之外的多样任务和未见环境。当前缩放实践主要关注在固定交互规则下收集更多经验或任务,导致智能体在底层接口、动态、观测或反馈信号变化时表现脆弱。作者将轨迹缩放、任务缩放和环境缩放区分开来,并提出了统一分类法。论文对比了程序化生成器(可控、可验证)和生成式世界模型(覆盖广、开放)两种构建可扩展环境的范式。最后,论文认为可扩展环境是实现鲁棒通用智能体的关键基础。论文通用智能体环境缩放分布偏移可扩展环境泛化推荐理由:做通用智能体研究的团队会发现,当前缩放策略的盲点被戳中了——环境规则集的分布偏移才是泛化瓶颈,值得重新审视自己的实验设计。原文