摘要
具身思维链（CoT）虽能提升机器人决策与可解释性，但其是否真实反映策略内部过程尚不明确。本文区分功能性推理与忠实性推理，指出现有对齐策略不足以保证推理步骤与环境 grounded 及内部一致。通过人类评估揭示推理质量与轨迹改进间的不一致性，并提出基于学习批评家 Pinocchio 的行为代理指标，利用强化学习进行后训练。实验表明，该方法显著提升了推理忠实性及对罕见反事实场景的响应能力，同时保持任务性能。
AI 推荐理由
论文核心研究具身推理的忠实性机制，提出新评估与优化方法。
研究机构
Stanford University
Politecnico di Milano
Italian Institute of Artificial Intelligence (AI4I)
KTH Royal Institute of Technology
NVIDIA Research
论文信息