Una maggiore fedeltà di osservazione danneggia la risoluzione di problemi degli LLM embodied

Un nuovo studio su arXiv (2605.20072) rivela che i grandi modelli linguistici (LLM) non funzionano altrettanto bene nei sistemi robotici quando dispongono di dati perfetti rispetto all'uso di immagini RGB grezze. I ricercatori hanno testato agenti LLM con il Lockbox, un puzzle complesso con connessioni nascoste, e hanno esaminato dati RGB, RGB-D e simbolici perfetti in un ambiente robotico reale. È interessante notare che gli agenti che utilizzavano solo immagini RGB grezze hanno superato quelli con dati perfetti. Inoltre, le simulazioni hanno mostrato che modificare casualmente i risultati percepiti ha effettivamente migliorato le prestazioni, raggiungendo una probabilità di capovolgimento ottimale del 40%, che ha portato a un aumento del successo di 2,85 volte. Ciò solleva dubbi sull'idea che una migliore qualità di osservazione sia sempre utile in questi compiti.