ZETA 架构将路由策略与动作执行解耦，提升视觉智能体路由准确率
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题出在哪里
科学图像分析流程要求智能体在描述、检测、计数、分割等多种能力之间做选择。现有把多个工具组合在一起的架构把意图理解与视觉执行混在一起，一旦出错，很难判断是推理环节选错了工具（misrouting），还是感知环节执行失败（invalid tool execution）。这种缺乏可审计性的状况，使智能体难以用于高风险的科学自动化任务。论文正是从这一区分不清的失败归因问题切入。
ZETA 的解耦做法
ZETA 是一种可扩展架构，把路由策略与动作执行分开。它在调用专用视觉工具之前先确定科学意图，并把测量当作确定性操作，依据显式几何而非生成式输出。这样，智能体的决策过程不再是不透明的黑箱，路由是否正确与下游执行是否成功可以作为两种独立的失败模式分别评估。作者强调，该研究在保持合法动作接口不变的情况下，单独改变显式路由策略的设定，从而把路由策略这一变量隔离出来。
基准上的量化结果
评估在 51 条科学意图查询构成的零样本基准上进行。结果显示，显式路由语义能明显改善路由准确率，在语义上相邻、容易混淆的动作边界处效果尤其突出，不过不同模型获得的提升并不一致。以 Qwen 3.8 为例，分割路由准确率从 6.2% 提高到 75.0%，检测路由准确率从 60.0% 提高到 100%。这些数字说明，路由环节的显式规范对最终表现影响很大，而且这种影响与模型本身有关。
可审计性的意义
ZETA 的执行轨迹让路由决策与下游生成的产物可以分别观察，为区分意图选择错误和视觉执行失败提供了依据。作者认为，把执行错误与解释错误隔离开来，是部署可靠科学视觉智能体的必要基础设施。对需要追责与复核的科学图像分析场景而言，这种可分离的观测方式比单纯提高某一项指标更具工程价值。
为什么值得看
把智能体失败拆成“选错工具”和“执行失败”两类可分别审计的问题，对高风险科学自动化场景的可靠性评估有直接参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。