具身视觉语言模型需要在不完整且持续变化的观测条件下回答问题，其表现不仅取决于所选用的推理能力，也取决于该能力能够获得哪些证据。现有方法通常将专家路由与工具增强的证据获取分开处理：前者调整模型内部计算路径，后者从外部获取信息。这种独立决策可能造成一种错配——合适的专家被选中，却缺少完成任务所需的证据。
针对这一问题，Weilin Ruan 等 10 位作者在 arXiv 上发布了 EKT-Router，一个有界框架，将能力专家、可选知识与感知工具的选择纳入统一决策。论文于 2026 年 10 月 16 日提交，共 15 页、5 幅图，归类为计算机视觉与模式识别（cs.CV）。
EKT-Router 的核心设计之一是用结果推导的签名来表征三类专家的优势：通用专家（General）、空间推理专家（Spatial Reasoning）和时间空间专家（Spatiotemporal）。这些签名反映了不同专家能力之间的重叠区域。在此基础上，一个联合效用函数在调用预算约束下为完整的“专家-证据”路线打分，从而同时决定选用哪个专家、是否获取知识、以及是否调用感知工具。
证据获取之后，系统还设置了一个包验证器（packet verifier）。只有当证据包被判定为有效，并且对所选专家具有正向的预测增益时，该证据才会被接纳。随后，被选中的专家只回答一次；如果所有证据包都被拒绝，系统则回退到未经改动的原始观测进行回答。这种单次回答与回退机制使框架在有限调用预算下保持可控。
实验覆盖 6 个具身问答基准，EKT-Router 取得 61.4 的平均分，在参与比较的系统中排名最高；在 10 个通用视觉语言基准上，平均得分为 74.7。值得注意的是，当所有外部证据被禁用时，仅依靠问题条件化的专家选择，就已经比最佳固定专家高出 1.75 分，说明路由本身带来了实质收益。
消融研究进一步表明，学习式路由是系统中的主导组件，而知识获取与感知工具则呈现互补关系。这一结果支持了论文的核心主张：将专家选择与证据获取联合建模，比分别优化两者更有效。