（来源：上观新闻）
Optimus-🐞🤫3引入了MoE🇸🇴（Mixt🗓ure-o📒f-Ex🤑perts）👮架构，通过任🌫务路由将不同的指🍇♟️令分配给专🆎门的专家子网络处🌜🇸🇧理，确保模型🌙🤓在学习新技能时🙇🇱🇧不会遗忘🐀💗旧技能☦👂。曹婷，清华大🧠🇹🇳学智能产业研究😮🥖院教授，北京市🍺高层次🧫引进人才 在💬微软研究院🏃♀️工作了七年，2🆔💆♂️025年☣夏天，🤫曹婷成👵⌛为清华大学智🇬🇹😃能产业研究院（🌭AIR）的🆓⏰教授😝🍚。
根据爆料，目🇧🇼🚫前黑厂📠已经开始评估🆎这种形🤼♂️🦂态😏🧲。多层次强化学习将🏝任务分解😄🎊为多个子目😀🕠标，通过🎪🛀层次化😎的策略网络分🌾别学习不🏭🙋♂️同层次的空间决策🚺，能够显著提升🌘🎞智能体在长期任🇸🇸🌬务上的表现； 🥊记忆增强架🔠构引入外部记忆🔵🇳🇱模块或基于注意力⏮机制的T📎ransfor⬅mer架构，🦡使智能体能🎢够存储和检🥊6️⃣索历史🌥🐀空间信息，这提🔽📖升了A🇮🇷🔐I的跨层感知规🇮🇨🏮划的任务得分👨🔬🏢； 引入内🥬6️⃣在奖励机😍🔂制（如探索🕣奖励、预测误差🍱奖励）来驱动智能🔝体的空间探🏋️♀️🗯索行为，使智能体⛵能够更快地建🐻🇦🇱立对环境的♦全局认知👩🎤⛽； 符号与💐🇵🇪神经混合🧢🍁方法结合符号推理✏与神经😷🇬🇧网络的优势，使用🏠🧽神经网络进行感🍳🏃♀️知与特征提取，使🌥用符号系统🤥进行高层次的空间👨👨👧👦规划与推理🇬🇸🇩🇰，在可解释性和🔶🤽♀️样本效率上表现🕹🚟出优势；👭😗 零样本大语🍏言模型Age🦆nt在提供充分上👩⚕️下文和🏞清晰任务描述🍏🇷🇪时能有效执🕕行局部任务，🇪🇦但在自主长期游玩8️⃣☔、模糊目标与缺乏🐷显式反馈⚽📚下表现明显👩⚕️不如基于😫🎻规则系统的Age🐀nt🇳🇨👀。
