CEMIR y FISER no muestran diferencias significativas al interpretar intenciones ambiguas con LLM
Se comparan dos métodos para reconocer la intención de instrucciones ambiguas en interacción humano-robot: FISER, basado en razonamiento social y estructurado, y CEMIR, que genera narrativas e imágenes a partir del texto. La evaluación usa el benchmark HandMeThat v2 con cuatro modelos de lenguaje, desde Qwen2.5-Omni-3B hasta GPT-5. Tras aplicar corrección por comparaciones múltiples, no hay diferencias estadísticamente significativas en ninguno de los 16 casos modelo-dificultad.
Qué significa
Para interpretar órdenes ambiguas en robots o asistentes, generar imágenes y narrativas extra no mejora de forma demostrable el razonamiento estructurado cuando la ambigüedad está en la intención no expresada. El estudio sugiere que el coste adicional del enriquecimiento multimodal no se traduce en mejores resultados.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- arXiv cs.AILeer la noticia completa en arXiv cs.AI