内容摘要
作者提出基于 LIBERO 的个性化操作基准 LIBERO-PeRM，将“完成任务”与“满足用户偏好”分开评测。基准在仿真中覆盖运动、技能和用户画像三类偏好，要求偏好可用语言表达、不改变原任务目标、可自动评价并跨任务复用。其五个评测套件覆盖单偏好学习、数据规模、冲突、组合及上下文偏好推理；312 项任务包含有偏好与无偏好条件，上下文推理套件复用已有任务，不增加任务总数。数据流水线生成有无偏好的配对示范，并提供元数据和偏好满足指标。
评测同时报告任务成功率与偏好满足度，后者仅在任务成功时计分。作者实验显示，现有 VLA 策略零样本遵循偏好仍困难：π0.5 在技能偏好条件下任务成功率为 100.00%，偏好满足度仅 25.00%。监督微调可使偏好变得可学习，但训练策略存在取舍：混合训练比顺序适配更好保留无偏好任务表现，相比仅偏好 LoRA 训练改善上下文提示表现，却削弱运动偏好学习。作者还报告，跨新布局与不同任务的泛化仍困难，偏好组合仅部分实现，分解失败，冲突常导致执行退化。
点评
该基准为区分“做成任务”与“按偏好执行”提供受控评测条件，有助于定位个性化操作的失败模式，而非仅依据任务成功率判断能力。
证据来自作者论文实验，不是独立复现。基准仅覆盖预定义、语言可表达且可自动测量的仿真偏好；没有真机或长期用户研究。组合仅涉及两个偏好，冲突评测不检验冲突检测或向用户澄清。
版本与核查范围
版本 2610.22372v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #S2.p1.1；#S1.p4.1；#S1.p6.1；#A7.p1.1；#abstract1.1；#S3.SS4.p1.1；#S4.SS2.p3.1；#S1.I1.i3.p1.1；#S5.p1.1；#S1.p3.1；#S4.p1.1；#S5.p2.1