WeAct
WeAct 是一种面向长程智能体的方法，将能力特定的 LoRA 适配器选择纳入智能体的动作空间，复用原生工具调用接口实现按需能力组合，无需额外路由模块，主干参数保持不变，从而避免灾难性遗忘。
时间轴 (近 90 天)
WeAct 提出将能力特定的 LoRA 适配器选择加入智能体的动作空间，通过原生工具调用接口实现按需能力组合。
在八个深度研究基准上，Qwen3-32B 搭配 WeAct 平均准确率比最强静态 LoRA 合并方法高 27.5%。
WeAct 在冻结的主干模型上训练多个能力特定的 LoRA 适配器，每个适配器对应一种能力，适配器的选择被建模为智能体的一种内部动作，与调用外部工具并列。
WeAct 的内部动作复用模型原生的工具调用接口，不需要额外的路由模块或控制器。
WeAct 实验中新增一个代码计算适配器并更新已有的写作适配器，两次更新都没有改动主干模型和其他适配器。
WeAct 的当前验证集中在深度研究类任务和 Qwen3-32B 基座上，适配器数量与能力粒度如何随任务复杂度扩展，原文未给出充分讨论。
全部知识事实 (6)
WeAct 提出将能力特定的 LoRA 适配器选择加入智能体的动作空间，通过原生工具调用接口实现按需能力组合。
50%待验证在八个深度研究基准上，Qwen3-32B 搭配 WeAct 平均准确率比最强静态 LoRA 合并方法高 27.5%。
50%待验证WeAct 在冻结的主干模型上训练多个能力特定的 LoRA 适配器，每个适配器对应一种能力，适配器的选择被建模为智能体的一种内部动作，与调用外部工具并列。
50%待验证WeAct 的内部动作复用模型原生的工具调用接口，不需要额外的路由模块或控制器。
50%待验证WeAct 的当前验证集中在深度研究类任务和 Qwen3-32B 基座上，适配器数量与能力粒度如何随任务复杂度扩展，原文未给出充分讨论。
50%待验证WeAct 实验中新增一个代码计算适配器并更新已有的写作适配器，两次更新都没有改动主干模型和其他适配器。
50%