来源：公众号“视觉语言导航”

原文链接：https://mp.weixin.qq.com/s/WRdwox6z8HajRGoHhdQvGA?scene=1&click_id=58

随着视觉语言模型（VLMs）飞速发展，具身机器人已从实验室走向家庭场景，能在3D室内环境中导航、感知，完成具身问答（EQA）任务，成为老人陪护、家务辅助的重要帮手。

但所有现有EQA基准都存在一个致命前提：默认机器人必须回答所有问题，完全忽略真实人机交互的复杂性。

研究团队通过真实用户调研发现：

在家庭陪护、医疗辅助等安全敏感场景，“不知道”比“瞎回答”更重要！弃权（信息不足时拒绝作答）是可靠人机交互的最低要求，却长期被学界忽视。

本文将传统具身问答（EQA）升级为AbstainEQA，核心要求：智能体在证据不足、问题歧义时，主动弃权而非强行作答。

给定用户问题和机器人视觉观测序列，机器人需自主决策：

团队招募50名普通用户，基于HM3D、ScanNet真实室内场景生成自然提问，最终证实：32.4%的人类问题需要机器人弃权，弃权是人机交互的固有需求。

基于Norman人类认知错误理论，精准划分5类必须弃权的场景，覆盖所有真实歧义情况：

为全面衡量机器人的弃权能力，团队设计三维度评估体系，并通过人类验证确保结果可靠：

团队围绕4个核心问题展开实验，结论直击领域痛点：

监督微调（SFT）模型看似指标拉满，实则严重过拟合文本特征：

歧义问题下：

未来方向：研发绑定视觉证据的弃权推理模型、打造不确定性感知导航策略、消除文本捷径的训练范式，让机器人真正学会“知之为知之，不知为不知”。