What Language Does and What the Evidence Supports: A Functional Role Taxonomy and Evidence Audit of Language Grounding in Embodied Agents
作者: Yifan Guo, Chenghao Li, Zhu Wang, Wei Xu, Yu Li, Yulong Zhu, Zhuo Sun, Bin Guo, Zhiwen Yu
分类: cs.CL
发布日期: 2026-08-04
备注: 19 pages, 3 figures, 11 tables
💡 一句话要点
提出语言功能角色分类以评估语言在具身智能体中的作用
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 语言功能 具身智能体 证据支持 模块化设计 人机交互
📋 核心要点
- 现有方法未能明确语言在具身智能体中的具体贡献及其证据支持，导致理解不足。
- 本文提出五个语言功能角色，通过追踪语言内容到具身消费者的路径，评估其责任的证据支持。
- 研究发现，功能使用与证据支持之间存在差距，强调了对语言贡献的逐项评估的重要性。
📝 摘要（中文）
基础模型在具身智能体中广泛应用语言，但其贡献及其基础并不明确。本文将语言的功能分为五个非排他性角色：规范、具身表征、行动协调、基础调节和执行耦合。通过对文献的审视，发现功能使用与证据支持之间存在反复出现的差距。即使在语言直接影响行动的情况下，系统级成功也无法单独确定语言的贡献。因此，本文逐一评估基础主张，检验报告的证据是否支持语言的特定责任。
🔬 方法详解
问题定义：本文旨在解决语言在具身智能体中的具体贡献及其证据支持不足的问题。现有方法未能有效区分语言的功能与其实际效果，导致理解模糊。
核心思路：论文通过定义五个语言的功能角色，提供了一种系统化的框架来评估语言在具身智能体中的作用，强调了对每个角色的证据支持进行逐项审查的重要性。
技术框架：整体架构包括五个主要模块：规范、具身表征、行动协调、基础调节和执行耦合。每个模块都追踪语言内容如何影响具身消费者，并评估相关证据。
关键创新：最重要的创新在于将语言的功能角色作为比较单元，而非传统的架构比较，从而能够更清晰地评估模块化与端到端智能体的表现。
关键设计：在设计中，重点关注每个功能角色的具体责任及其证据支持，确保评估过程的透明性与可验证性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，采用该框架后，能够更清晰地识别语言在具身智能体中的具体贡献，减少了功能使用与证据支持之间的差距。通过逐项评估，发现某些语言功能的实际影响未得到充分验证，提示了未来研究的方向。
🎯 应用场景
该研究为具身智能体中的语言应用提供了系统化的评估框架，能够帮助研究人员更好地理解语言的功能及其在智能体行为中的作用。未来，该框架可应用于机器人、虚拟助手等领域，提升人机交互的有效性与智能化水平。
📄 摘要（原文）
Foundation models place language throughout embodied agents, but its presence does not show what it contributes or how well that contribution is grounded. This survey separates these two questions. We define five non-exclusive functional roles for language: Specification, Embodied Representation, Action Orchestration, Grounding Regulation, and Execution Coupling. For each role, we trace the path from linguistic content to its embodied consumer and identify the observations or interventions that can test the claimed responsibility. Applying this framework to the reviewed literature reveals a recurring gap between functional use and evidential support. Interpretable or revised linguistic intermediates may be incorrect, go unused, or fail to affect later behavior. Even when actions are directly conditioned on language, system-level success does not by itself isolate language's contribution. We therefore evaluate grounding claim by claim, asking whether the reported evidence supports the specific responsibility assigned to language. Using role claims rather than architectures as the unit of comparison allows us to compare modular and end-to-end embodied agents without extending conclusions beyond the reported evidence.