@LiorOnAI：大多数支撑智能体的模型在运行时并不学习。你训练它们，冻结权重，然后部署。每次……

X AI KOLs Timeline 论文
world-models adaptive-learning agents reinforcement-learning closed-loop

摘要

介绍了AdaJEPA，一种自适应世界模型，在部署期间持续学习并更新其潜在表征，使智能体能够根据真实世界观测调整计划，无需重新训练或记忆技巧。

大多数支撑智能体的模型在运行时并不学习。 你训练它们，冻结权重，然后部署。 其他一切都在它们周围构建：提示、工具、检索、记忆、路由、护栏。 这对聊天来说效果很好，因为每次交互都有清晰的边界。用户提问，模型回答，循环结束。 而AdaJEPA则在控制循环内部更新世界模型。 智能体采取行动，观察实际发生的情况，将潜在模型向现实微调，然后重新规划。 无需重新训练运行。无需更大的上下文窗口。无需记忆技巧。 只需要在下一次决策之前让模型少一些错误。
查看原文
查看缓存全文

缓存时间: 2026/07/06 02:02

大多数代理背后的大模型在运行时不学习。

你训练它们，冻结权重，然后部署。

其他一切都围绕它们构建：提示词、工具、检索、记忆、路由、护栏。

这对聊天场景很有效，因为每次交互都有清晰的边界。用户提问，模型回答，循环结束。

而 AdaJEPA 在控制循环内部更新世界模型。

代理执行一个动作，观察实际发生的情况，将潜在模型向现实微调，然后重新规划。

无需重新训练。无需更大的上下文窗口。无需记忆技巧。

只是在下次决策前让模型少错一点。

Ying Wang✈️ ICML (@yingwww_): 温和观点：你的世界模型不应停止学习

介绍 AdaJEPA，一个自适应世界模型，它在闭环中规划、行动和适应。每个动作都会带来新的观察，每次转换都会优化潜在表示和预测。

📝:

相似文章

Agent-World：面向演进式通用智能体的现实世界环境合成扩展

Hugging Face Daily Papers

# 论文页面 - Agent-World: Scaling Real-World Environment Synthesis for Evolving General Agent Intelligence 来源：[https://huggingface.co/papers/2604.18292](https://huggingface.co/papers/2604.18292) 发布于 4 月 20 日 · 提交者[https://huggingface.co/dongguanting](https://huggingface.co/dongguanting) [![](https://cdn-avatars.huggingface.co/v1/production/uploads/61cd4b833dd34ba1985e0753/BfHfrwotoMESpXZOHiIe4.png)](https://huggingface.co/dongguanting) [KABI](https://huggingface.co/donggua