具身視覺語言模型需要在不完整且持續變化的觀測條件下回答問題，其表現不僅取決於所選用的推理能力，也取決於該能力能夠獲得哪些證據。現有方法通常將專家路由與工具增強的證據獲取分開處理：前者調整模型內部計算路徑，後者從外部獲取信息。這種獨立決策可能造成一種錯配——合適的專家被選中，卻缺少完成任務所需的證據。
針對這一問題，Weilin Ruan 等 10 位作者在 arXiv 上發佈了 EKT-Router，一個有界框架，將能力專家、可選知識與感知工具的選擇納入統一決策。論文於 2026 年 10 月 16 日提交，共 15 頁、5 幅圖，歸類為計算機視覺與模式識別（cs.CV）。
EKT-Router 的核心設計之一是用結果推導的簽名來表徵三類專家的優勢：通用專家（General）、空間推理專家（Spatial Reasoning）和時間空間專家（Spatiotemporal）。這些簽名反映了不同專家能力之間的重疊區域。在此基礎上，一個聯合效用函數在調用預算約束下為完整的“專家-證據”路線打分，從而同時決定選用哪個專家、是否獲取知識、以及是否調用感知工具。
證據獲取之後，系統還設置了一個包驗證器（packet verifier）。只有當證據包被判定為有效，並且對所選專傢俱有正向的預測增益時，該證據才會被接納。隨後，被選中的專家只回答一次；如果所有證據包都被拒絕，系統則回退到未經改動的原始觀測進行回答。這種單次回答與回退機制使框架在有限調用預算下保持可控。
實驗覆蓋 6 個具身問答基準，EKT-Router 取得 61.4 的平均分，在參與比較的系統中排名最高；在 10 個通用視覺語言基準上，平均得分為 74.7。值得注意的是，當所有外部證據被禁用時，僅依靠問題條件化的專家選擇，就已經比最佳固定專家高出 1.75 分，説明路由本身帶來了實質收益。
消融研究進一步表明，學習式路由是系統中的主導組件，而知識獲取與感知工具則呈現互補關係。這一結果支持了論文的核心主張：將專家選擇與證據獲取聯合建模，比分別優化兩者更有效。