指令跟随

Instruction Following常用

机器人听懂人用自然语言下的指令，并在真实环境里把事做出来。

在具身智能里，指令跟随指机器人根据自然语言指令（有时配合图像、手势）完成对应的动作或任务，而不是只执行预先写死的程序。早期研究多是「把红块推到左边」这类短指令；现在转向开放式指令，例如 Physical Intelligence 的 Hi Robot（2025）要处理「给我做个素三明治」这种复杂请求，以及执行途中「那个不是垃圾」这类实时纠正。它采用分层结构：高层视觉语言模型理解指令和反馈、决定下一步做什么，低层策略执行具体动作。指令跟随决定了普通人能不能不写代码就给机器人派活，也是评测 VLA（视觉-语言-动作模型）语义泛化的主要维度。