رباتی که از آن خواسته می‌شود قهوه را از لپ‌تاپ دور نگه دارد، ممکن است استنباط کند که تلفن همراه نزدیک آن نیز به محافظت مشابهی نیاز دارد. این نمونه‌ای از تعمیمی است که FLEX نمایش داده است؛ سامانه‌ای هدایت‌شونده با زبان که پژوهشگران MIT و دانشگاه نیویورک برای به‌روزرسانی برنامه‌ریزی حرکت ربات بر اساس اصلاحات انسانی توسعه داده‌اند.
به گزارش MIT News در ۹ نوامبر ۲۰۲۶، گروه پژوهشی FLEX را در شبیه‌سازی‌هایی شامل سرو قهوه، جابه‌جایی شمع و حمل توپ بولینگ با یک بازوی رباتیک آزمایش کرد. داوطلبان هنگام انجام این وظایف، اصلاحات خود را به زبان طبیعی تایپ می‌کردند. این مطالعه به سرپرستی آندریا بوبو از MIT قرار بود همان ماه در کنفرانس یادگیری ربات ارائه شود؛ اطلاعات ارائه‌شده وضعیت داوری علمی آن را صراحتاً مشخص نمی‌کند.
FLEX ویژگی‌هایی را که ربات هنگام برنامه‌ریزی حرکت در نظر می‌گیرد، در سه مرحله ویرایش می‌کند. مرحله «افزودن» ویژگی مرتبط با وظیفه را از یک اصلاح استخراج و اضافه می‌کند؛ مثلاً لیوانی که هنگام حمل توپ بولینگ باید از آن دوری کرد. مرحله «تعمیم» با استفاده از GPT-4o ترجیحی کلی‌تر، مانند محافظت از اشیای شکننده، استنباط می‌کند. مرحله «ماسک‌کردن» با استفاده از سامانه بینایی رایانه‌ای ربات، ویژگی‌های مربوط به اشیایی را که دیگر در محیط حضور ندارند حذف می‌کند. MIT News گزارش می‌دهد که کل فرایند حدود پنج ثانیه طول می‌کشد، اما سخت‌افزار، مبنای اندازه‌گیری زمان یا میزان تغییرپذیری آن را مشخص نمی‌کند.
در نمایش‌های توصیف‌شده، اصلاحات مربوط به لپ‌تاپ، دسته‌ای کاغذ و لیوان، به‌ترتیب به ترجیحاتی برای دوری از وسایل الکترونیکی، اشیای قابل‌اشتعال و اشیای شکننده تعمیم داده شدند. هدف این است که افراد کمتر ناچار شوند تک‌تک اشیایی را که ربات باید از آن‌ها دوری کند نام ببرند و هم‌زمان، برنامه‌ریزی ربات با تغییر محیط سازگار شود.
این مثال‌ها امکان‌پذیری رویکرد را در شبیه‌سازی‌های گزارش‌شده نشان می‌دهند. آن‌ها مشخص نمی‌کنند که FLEX با چه میزان اطمینان خواسته‌های فرد را استنباط می‌کند یا آیا از رویکردهای موجود بهتر عمل می‌کند. گزارش درباره روش‌های افزودن ویژگی‌های منفرد توضیح می‌دهد، اما هیچ مقایسه اندازه‌گیری‌شده، نرخ موفقیت، اندازه اثر یا برآورد عدم‌قطعیتی ارائه نمی‌کند. تعداد شرکت‌کنندگان و دفعات آزمایش نیز مشخص نیست.
متن مقاله نام‌برده، «ویرایش انعطاف‌پذیر بازنمایی با هدایت زبان برای رفتار سازگارشونده ربات»، ارائه نشده است؛ بنابراین جزئیات روش‌ها و نتایج آن در اینجا قابل ارزیابی نیست. موارد شکست، آزمون در موقعیت‌های دیده‌نشده و هم‌پوشانی احتمالی با داده‌های آموزش مدل همچنان روشن نیستند. همچنین قاعده استنباط‌شده ممکن است با قصد کاربر تفاوت داشته باشد. انتقال این رویکرد به ربات‌های فیزیکی، خانه‌های ناآشنا و ترجیحات متنوع کاربران هنوز اثبات نشده و هیچ ارزیابی مستقل یا تکرار پژوهشی نیز ارائه نشده است.
تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.