身体性視覚言語モデルは、部分的で刻々と変化する観測から質問に答えなければならない。その成否は、選択された推論能力と、その能力が利用できる証拠の両方に依存する。既存の手法では、専門家ルーティングがモデル内部の計算を適応させる一方、ツール拡張システムが外部証拠を取得するが、これらを独立に選択すると、適切な専門家が選ばれても必要な証拠を欠くというミスマッチが生じ得る。
この問題に対し、Weilin Ruan 氏ら 10 名の著者は arXiv に EKT-Router を発表した。これは能力専門家、任意の知識、知覚ツールの選択を統合的に行う有界フレームワークである。論文は 2026 年 10 月 16 日に投稿され、15 ページ、5 図で構成され、コンピュータビジョンとパターン認識（cs.CV）に分類されている。
EKT-Router の中核となる設計の一つは、結果から導出されたシグネチャを用いて 3 種類の専門家の強みを表現することである。対象となるのは General（汎用）、Spatial Reasoning（空間推論）、Spatiotemporal（時空間）の専門家であり、シグネチャはこれらの能力が重なり合う領域を捉える。その上で、統合効用関数が呼び出し予算の制約下で完全な「専門家・証拠」ルートをスコアリングし、どの専門家を選ぶか、知識を取得するか、知覚ツールを呼び出すかを同時に決定する。
証拠取得後にはパケット検証器（packet verifier）が設けられる。証拠パケットが有効であり、選択された専門家に対して正の予測ゲインを持つと判定された場合にのみ、その証拠は受け入れられる。その後、選択された専門家は一度だけ回答し、すべてのパケットが拒否された場合には変更されていない元の観測に戻って回答する。この単一回答とフォールバックの仕組みにより、限られた呼び出し予算の下でもフレームワークは制御可能に保たれる。
実験は 6 つの身体性 QA ベンチマークで行われ、EKT-Router は平均 61.4 を記録し、比較対象システムの中で最高スコアとなった。さらに 10 の汎用視覚言語ベンチマークでは平均 74.7 を達成している。特筆すべきは、すべての外部証拠を無効にした場合でも、質問条件付きの専門家選択だけで最良の固定専門家を 1.75 ポイント上回った点であり、ルーティング自体が実質的な利益をもたらすことを示している。
アブレーション研究はさらに、学習型ルーティングがシステムの主要コンポーネントであり、知識取得と知覚ツールが相補的な関係にあることを明らかにした。この結果は、専門家選択と証拠取得を統合的にモデル化することが、両者を個別に最適化するよりも有効であるという論文の中心的主張を支持している。