评估小型语言模型在领袖-跟随者互动中的零-shot 和 one-shot 适应
人机交互
2026-03-13 v2 人工智能
机器学习
机器人学
系统与控制
系统与控制
摘要
领袖-跟随者互动是人机互动（HRI）中的重要范式。然而，在资源受限的移动和助理机器人上实时分配角色仍然具有挑战性。虽然大型语言模型（LLM）在自然交流方面显示出前景，但其规模和延迟限制了设备上的部署。小型语言模型（SLM）提供了一种潜在的替代方案，但其在 HRI 中角色分类的有效性尚未进行系统评估。本文我们present了一个用于评估 SLM 的基准，引入一个新的数据集，源自已发布的数据库，并通过人工合成样本来捕捉互动特定的动态。我们研究了两种适应策略：提示工程和微调，分别在零-shot 和 one-shot 互动模式下进行研究，与未训练的基线进行比较。使用 Qwen2.5-0.5B 进行实验，发现零-shot 微调实现了稳健的分类性能（86.66% 准确率），同时保持低延迟（每个样本 22.2 毫秒），显著优于基线和提示工程方法。然而，结果也表明在 one-shot 模式下会出现性能下降，在这种情况下，增加的上下文长度挑战了模型的架构容量。我们的发现表明，微调后的 SLM 提供了一种有效的直接角色分配解决方案，同时突显了对话复杂性与分类可靠性在边缘设备上的关键权衡。
引用
@article{arxiv.2602.23312,
title = {Evaluating Zero-Shot and One-Shot Adaptation of Small Language Models in Leader-Follower Interaction},
author = {Rafael R. Baptista and André de Lima Salgado and Ricardo V. Godoy and Marcelo Becker and Thiago Boaventura and Gustavo J. G. Lahr},
journal= {arXiv preprint arXiv:2602.23312},
year = {2026}
}