WeAct：将动态权重切换作为智能体动作

研究提出 WeAct 框架，在冻结的 Qwen3-32B 主干上训练独立 LoRA 适配器，并将适配器选择加入动作空间以按需组合能力。 在 8 个深度研究基准上，WeAct 的平均准确率比全量微调高 6.2%，比最强静态 LoRA 合并方法高 27.5%。 该框架支持模块化持续适应，允许在不修改主干或其他适配器的情况下动态更新特定功能模块。