Rephrase Before You Act: Characterizing and Mitigating Language Sensitivity in Vision-Language-Action Models

视觉-语言-动作模型（VLAs）对指令措辞极为敏感，无法继承其构建基础的视觉-语言模型的语言鲁棒性。一个单词的修改可使成功率提升数十个百分点：$π_{0.5}$ 在LIBERO炉上使“打开炉子”耗时100%，而“打开热板”则耗时2%，即使经过$π_0$检查点并使用重写增强进行微调，仍可显示高达61点的波动。我们通过统计检验的单词修改波动和一个预言式短语搜索，表明仅靠措辞几乎能关闭21点的分布内与分布外任务之间的差距。