LIBERO-PeRM：个性化机器人操作基准

论文提出 LIBERO-PeRM，用于具身智能体偏好学习的基准，旨在把任务完成与偏好满足分开评估。基准研究五个问题：零样本偏好遵循、从示范学习单一偏好、示范增加时的偏好获取效率、已学偏好的跨布局与任务泛化、以及偏好组合与冲突下的行为。作者给出模拟环境中可观测偏好的受控形式化与分类法，覆盖运动、技能和用户画像选择，但限定为可用语言表达、可在 LIBERO 中实例化的偏好。

AI推荐理由 提出 LIBERO-PeRM，一个将任务完成与偏好满足分离的个性化机器人操作基准，围绕零样本偏好遵循、从示范学习单一偏好、示范增多时的学习效率、跨布局与任务泛化、偏好组合与冲突五个问题设计受控实验与偏好分类法。局限是仅限模拟环境且偏好限定为可用语言表达的类型，摘要未给出具体实验结果。