**RoboFollow：揭示具身智能体指令遵循的假象**

_RoboFollow: Unveiling the Instruction Following Mirage in Embodied Agents_

> 研究指出，现代具身智能体虽在任务成功率上表现亮眼，但真实指令遵循能力远不如此。作者将这一假象归因于「低场景熵」结构特性：当视觉场景只对应唯一有效任务时，语言变得冗余，策略几乎不使用语言也能取得高分。为此提出诊断基准 RoboFollow，遵循三项原则：高场景熵（每个训练场景含多个运动学上不同的任务分支，迫使依赖语言）、四级分层诊断协议（L0–L3 逐步扰动视觉布局与语义，检验空间关系、属性、轨迹约束与逻辑下指令的一致性与可区分性）、以及混淆控制的诊断设计（简化交互物体、限制动作空间、分阶段报告意图与执行得分，以分离理解与运动执行）。对九种 VLA 与 WAM 策略的评测显示，L0 上的良好表现难以迁移到 L1–L3；更强 VLM 骨干、QA 联合训练、LangForce、无分类器引导等缓解手段均未能弥合差距。该工作表明，真正的指令遵循是当前被忽视的关键瓶颈。代码与数据集已开源。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-23 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.25636)