affordance-reasoning

Affordance20Q 是一个基准测试，采用20个问题格式，评估大型语言模型在隐藏物体身份的情况下，从物理属性推断物体可操作性的能力。实验表明，大型语言模型与人类之间存在约20个百分点的差距，而提出的KARI流水线可将开源大型语言模型的性能提升高达15.2个百分点。

本文介绍了A4D，一个将视觉观察映射到围绕可供性（例如“可移动”）构建的共享潜在空间中的框架，用于机器人规划。它在现有可供性上实现了94%的推理准确率，比现有最优方法高出15%，并且实现了100倍的推理速度提升，对未见过的物体功能具有更强的泛化能力。