English(EN) Evaluating Zero-Shot and One-Shot Adaptation of Small Language Models in Leader-Follower Interaction

小型语言模型在机器人角色分类方面展现出潜力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-04 04:00

研究人员评估了小型语言模型（SLMs）在领导者-追随者互动中进行角色分类的有效性，这是资源受限机器人的关键任务。他们的研究引入了一个新数据集，并测试了提示工程和微调适应策略。微调表现出强大的性能，在低延迟的情况下达到了86.66%的准确率，尽管在单样本场景中，随着上下文的增加，性能有所下降。 AI

影响微调后的SLMs为机器人系统的实时角色分配提供了一个可行、低延迟的解决方案。

排序理由学术论文，提出了一个新的数据集，并评估了小型语言模型在特定应用中的表现。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Rafael R. Baptista, Andr\'e de Lima Salgado, Ricardo V. Godoy, Marcelo Becker, Thiago Boaventura, Gustavo J. G. Lahr · 2026-06-04 04:00

Evaluating Zero-Shot and One-Shot Adaptation of Small Language Models in Leader-Follower Interaction

arXiv:2602.23312v3 Announce Type: replace-cross Abstract: Leader-follower interaction is an important paradigm in human-robot interaction (HRI). Yet, assigning roles in real time remains challenging for resource-constrained mobile and assistive robots. While large language models…