MIND框架减少机器人目标房间重评次数

Mohamed Abouagour 等提出 MIND 框架，让语言模型把持续性指令编译为语义限定与目标选择的依赖关系，控制器只对受事件影响的房间刷新判断，从而在事件发生后不必重评每个房间。 在 240 条五事件 ProcTHOR 序列上，MIND 把平均语义评估从 30.6 次降到 11.2 次，同时保持全部 1,200 个事件后决策不变；32 个闭环 AI2-THOR 回合中，MIND 的最终目标决策与完全重算在每个回合都一致。Unitree G1 实验显示，跨房间切换时可复用或重选目标而无需额外语义评估，遇到障碍与物体移除后以 4 次评估选择弃权，对照为 15 至 18 次。冻结评估器（Phi-4、Qwen3-14B）实验同样保持全部决策，但未提升评估器本身的任务准确率。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。