新论文定义「具身思维链忠实度」,并用其作奖励信号训练机器人策略

drmapavone · x · 2026-10-21

drmapavone 团队发布关于具身推理的新论文:具身思维链(embodied chain-of-thought)被视为给机器人策略带来额外推理时计算、提升下游任务表现的途径,但 CoT 实际在多大程度上影响策略选择的动作仍不清楚。

论文正式定义了「忠实度」(faithfulness)——即 CoT 是否真实反映策略的决策,并主张算法设计应显式考虑这一维度。团队训练了一个具身忠实度 critic,识别不一致与不连贯推理的签名,并将其作为强化学习后训练中的奖励信号。配图以四象限展示功能性与忠实度的组合(如「功能正常但不忠实」与「既不功能也不忠实」),说明 CoT 是否反映动作生成过程是独立于任务表现的正交维度。