你敢信？同一个视觉-语言-动作模型（VLAs），只差一个词，让“开炉灶”的成功率从100%直接掉到2%？这就是当下具身智能核心模型的现状——对指令措辞的敏感度，比想象中夸张得多。
VLAs的“词敏感”，差一个字天差地别
这个结论来自arXiv上一篇cs.RO方向的研究，用π0.5模型做实验时，同样是“打开炉灶”的指令，说“switch on the stove”成功率100%，改成“switch on the hot plate”直接跌到2%。哪怕是经过重表述微调的π0模型，指令措辞带来的成功率波动也能达到61分。更关键的统计发现：光是指令措辞的不同，就能让模型在分布内和分布外任务的成功率差距缩小21分——说白了，很多时候模型不是没能力，是指令没说对，导致它“听不懂”。
不用重训，靠改写指令解决核心问题
研究的巧劲在于，完全不用改动模型的核心策略，不用重新训练，也不用每一步操作都验证。他们先给几个训练任务的大量指令打分，再用大模型提炼出10到20条标准化重写规则——就是把各种模糊、容易让模型误解的指令，按规则改成更清晰的版本。部署时，只要把用户的指令按规则改写一遍，再喂给模型就行。
效果够实在：在12个预留测试任务（包括对抗性指令、VLM生成指令、人类日常指令）上，模型相对表现提升了16%到27%，且好处集中在难度更高的分布外任务；对π0.5和LIBERO模型，微调后的成功率从93.6%涨到97.8%，稳定性明显变好。最方便的是，这招零样本就能用在没见过的新任务和新指令上，不用额外适配。
给具身智能行业的实际参考
之前不少人默认，VLAs作为VLMs（视觉-语言模型）的衍生模型，该继承其语言鲁棒性，但这个研究直接打破了这个假设——至少现在的VLAs还没做到。这方法最大的优势是落地成本低：不用砸钱重训大模型，只要加一层轻量的指令改写规则，就能解决核心的措辞敏感问题。
对做家庭服务机器人、具身智能应用的团队来说，这意味着不用每次换场景（从厨房整理到客厅打扫）就大动模型，改几条规则就行，拓展场景的速度能快不少，也更灵活。
这个研究没搞玄乎的新框架，抓的是VLAs最实际的小痛点——指令说不对，前面的努力可能全白费。解决方法也够接地气，不用动核心模型，见效快。只是有个问题：未来的VLAs，会不会把这种指令改写的逻辑直接内置到模型里，而不是要在外面加一层额外的规则？
素材来源：arXiv (LLM/多模态新论文) · AI情报、AI应用落地、科研前沿
查看报道原文
发表第一条评论吧