南洋理工“模糊指令”测试，直击具身智能落地软肋量子位

现在的大语言模型看起来似乎无所不能。

只要你对它下达“去把桌子上的红苹果拿过来”这样的指令，它就能做一份清晰的计划。

研究者们正在将这种能力迁移到机器人身上。

但真实世界的问题往往更为复杂，比如一个老人随口的几句话：

“你看看那个锅洗干净没？”

“好的，我检查过了。”

“行，那你把那家伙挪到外面去吧。”

在这个场景下，原本聪明的机器人是否会直接“死机”？它们能不能听懂这种日常的“糊涂话”，并且正确地完成人类要求呢？

左图显示，基于现有大语言模型的机器人任务规划器能够理解带有明确指代 (Explicit REs)的清晰指令，但在多轮对话中，往往难以正确解析隐式指代 (ImplicitREs)信息。

右图中，团队提出了REI-Bench框架，旨在研究真实人机交互场景中，人类指令中普遍存在的指代模糊性问题。

现有的具身智能大模型在具身智能上的应用，大多建立在一个理想化的假设上：人类的指令永远是清晰、完整且毫无歧义的。但这脱离了真实的人机交互场景。

为了量化并暴露这一缺陷，近日，来自南洋理工大学MARS Lab的研究团队，联合发布了系统化评估机器人处理“模糊人类指令”的测试基准REI-Bench。

在REI-Bench的测试下，当前主流任务成功率最高下降达36.9%。

这份研究希望引起研究界对这一被忽视问题的关注，从而激发深入的探索。

具身智能盲区：为什么需要REI-Bench？

在语言学中，人类之所以能听懂“那个东西”、“它”、“这个重物”，依赖于桥接推理理论 (bridging inference)，即通过上下文信息在已有记忆与当前表达之间建立联系，从而恢复指代对象。

由于人们默认交流双方拥有相同的桥接推理能力，人们习惯日常交流中普遍采用模糊指代来简化表达。对于老人、儿童或认知障碍患者而言，由于表达能力受限，更倾向于在语言中使用模糊的指代。

然而，纵观目前的具身智能任务设计 ，如ALFRED、VirtualHome等，几乎全是用清晰的显式指代，如“杯子”、“锅”等构建的。

图中显示，整个具身智能任务流程是，从一个初始指令出发，依次进行：

（1）生成上下文记忆；

（2）构建三种上下文变体：标准、带噪和精简；

（3）在不同程度上将显式指代替换为隐式指代。

最终， 基于指代表达类型与上下文变体的组合，团队构建出覆盖九种指代模糊等级的数据集。

基于此，研究团队融合了语言学中的语用学理论，构建了REI-Bench。该基准不是简单地把词汇变模糊，而是系统性地定义了 9 个层级的模糊性“考试”：

▪︎ 指代难度 3 级

从完全清晰的“显式指代”，到半遮半掩的“混合指代”，再到极度依赖上下文推理的“隐式指代”。

▪︎ 上下文干扰 3 级

模拟真实人类对话，分为标准上下文、带有同名干扰项的“噪声上下文”（比如对话里一直聊苹果手机，让机器人去拿水果苹果），以及缺失部分信息的“短上下文”。

主流框架在模糊指令前表现不佳

他们测试了4种主流的机器人规划框架，并接入了6种轻量级大模型（这里给出典型结果，详细结果见论文原文）。

△团队比较了三种大语言模型 (GPT-4o-mini、LLaMA3.1-8B、DeepSeekMath-7B)的表现，同时还包括“GPT-4o + SayCan”组合方案以及人类基线。

▪︎ 多轮对话导致成功率下降

即便是没有任何模糊词汇的“标准上下文”多轮对话，LLaMA3.1-8B+SayCan的成功率也从基础的57.7%直接掉到了46.9%。现有模型对多轮上下文较为敏感。

▪︎ 隐式指代理解能力薄弱

随着指令中隐式指代比例的增加，所有模型的成功率均有下降。基线模型（LLaMA3.1-8B+SayCan）在遇到模糊指令时，成功率下降7.4%到36.9%不等。

追问：它们到底错在哪了？

△上排：当使用显式指代 (如“土豆”)时，大语言模型 (LLM)能够正确识别目标对象；但在面对隐式指代时，容易产生错误理解。中排：通过引入人类设计的反思提示，可以引导模型解析隐式指代，从而正确定位目标对象。下排：不同提示词方法的对比。

研究团队对错误原因进行了深度剖析，如他们所料，目标物体混淆的失误是主要原因。

然而值得注意的是，当引入反思性提示之后，大模型重新识别出正确目标。

因此，研究团队推断：当模型过于“急切”地想要完成任务时，就会忽视理解人类真正的含义。这一结果挑战了现有假设：只要将LLM集成到机器人系统中，它就能自然而然地理解人类复杂的语用逻辑。

团队在文中也提供了一个名为TOCC的轻量级即插即用的解法，通过前置指令重写，将指代解析与任务规划解耦，有效提高成功率。然而，团队认为这并非一个完美的解决方案，并且期待抛砖引玉，让此问题得到学术圈的重视。