EvolvingNav用时间索引的4D信念预测目标去向，在EvoWorld-Bench上把首次检查成功率从45.33%提升到61.32%

论文把“演化世界导航”形式化为一个新问题：智能体只有查询时刻之前的因果观测历史，目标可能在查询前移动，也可能在导航执行过程中继续移动，因此必须估计到达候选地点那一刻目标是否还在那里。 此前工作分别研究时间预测与移动目标导航，例如PredictiveGraphs预测未来物体—容器状态并在导航中更新估计，Transit-Aware Planning考虑在智能体行进途中移动的便携目标；本文把不规则观测历史、候选地点各自的到达时间、以及可见性条件下的证据整合进同一个导航回路。 问题设定在正文第1节与第3.1节给出形式化定义，并区分固定目标回合与持续演化回合两类情节。

EvolvingNav用“持续—迁移”分解构建时间索引信念：既预测目标停留在最后观测位置的概率，也用共享指针头为每个备选位置打分，并保留已知候选集合之外的概率质量。 与直接对候选做归一化的Transformer相比，该结构化分解把“留在原地”和“迁往他处”分开建模；消融显示去掉预测信念后首次检查成功率从62.17%降至12.51%，直接候选预测使首次检查/搜索成功率下降13.84/15.75个百分点。 预测质量上，相对Direct Transformer，本文预测器在时间划分上Top-1提高4.08个百分点、留一场景上提高9.47个百分点，NLL分别下降0.2367与0.3379。

事件驱动的预测—观察—重规划滤波器按各候选的预计到达时间预测占用概率，并用可见性条件下的检测概率做软更新：未检测到目标只按校准后的似然下调该位置假设，而不是永久删除，且时间有效的证据轮次避免重复使用同一批观测。 消融显示硬删除在排序、Top-1、NLL、ECE四项指标上全面变差，而校准后的贝叶斯更新取得最佳排序、Top-1与ECE；去掉证据更新使搜索成功率下降42.02个百分点、检查次数升至6.48。 正文给出一次具体更新示例：因果记忆最初给最后见到的咖啡桌0.62概率，校准器给出检测概率后未检测到目标使该状态似然为0.069，后验随之转移，但被检查状态仍保留非零质量。

论文发布EvoWorld-Bench：基于人类活动轨迹构建，包含54个场景、803,680个任务实例，并用配对的静态、常规、随机世界在保持场景与查询不变的情况下只改变隐藏转移机制。 配对控制把“利用历史规律”与“利用类别频率或空间便利”区分开：相对Last Seen，常规世界成功率提升22.36个百分点，随机转移下仅提升6.93个百分点，说明优势主要来自可学习的时间规律。 基准构建区分测量、环境导出、模拟与基准自撰量，并做时间与元数据泄漏、划分重叠、配对一致性、物理有效性与巡逻访问隐藏状态的审计。

该结果面向需要在重复访问中寻找可移动目标的具身智能体，适用于家庭等存在人类活动规律、且目标可能在查询前或导航途中被移动的场景；方法依赖带时间戳的3D观测历史、合法候选集合与可到达的检查视点，并需要一个冻结的零样本视觉语言控制器来调用记忆、预测、检查、探索与导航工具。对读者而言，这意味着可以把“到达时刻的状态预测”作为记忆系统的输出接口来设计，而不是只存储最后观测位置；真机部分使用DEEP Robotics的LYNX M20为主平台，X30与Lite3用于迁移子集，说明该信念接口可跨平台复用。

正文指出未来工作将处理相互作用的物体与持续变化的目标，说明当前设定尚未覆盖这些情形。配对实验显示优势集中在可学习的时间规律上：随机转移下相对Last Seen的增益降至6.93个百分点，且落后Direct Transformer 1.27个百分点；跨环境结果中R2R-CE成功率由Uni-LaViRA领先，SAGE-Bench的SPL也由NaVILA领先，因此不宜把结论推广为在所有导航协议上一致占优。行为偏移诊断显示相位偏移、返回延迟、目的地偏移等条件下所有方法的在线恢复成功率都会下降，作者明确不将其视为无限制的分布外泛化证据。此外，真机成功要求360秒内三次检查内完成在线确认，错过检测、导航失败、超时与人工干预均计为失败，这一判定口径会影响结果解读。