跳到正文
arXiv · 机器人与计算机视觉· Sangwu Park, Wonjoong Kim, Yeonjun In, Chanyoung Park·· 2026-10-16AI 评分35

SIMPLER-IN 揭示当前 VLA 模型难以遵循 How-level 指令的局限

Do VLAs Really Follow Instructions? Diagnosing How-Level Instruction Following in Vision-Language-Action Models

AI 导读

研究指出当前视觉语言动作(VLA)模型在遵循指定执行方式的 How-level 指令时任务成功率反而下降。为此提出的 SIMPLER-IN 基准证实,仅通过片段级增强指令虽能提升响应度,却无法应对高难度或分布外指令。该预印本表明如何有效实现 How-level 指令跟随仍是开放挑战。

来源:arXiv · 机器人与计算机视觉 · arxiv.org