三思而后行：验证器引导的具身智能体动作选择

构建能解决复杂现实任务的通用具身智能体仍是 AI 领域的重大挑战。尽管多模态大语言模型（MLLM）凭借强大的视觉 - 语言知识和思维链推理提升了智能体能力，但在分布外场景中仍显脆弱。为此，本文提出验证器引导的动作选择（VeGAS）框架，通过在推理时采样候选动作并利用生成式验证器识别最可靠选项，显著提升鲁棒性。研究发现直接使用现成 MLLM 作为验证器无效，因此提出了基于 LLM 的数据合成策略，自动构建失败案例课程以训练验证器。实验表明，VeGAS 在 Habitat 和 ALFRED 基准上显著优于强基线方法。