การปฏิสัมพันธ์แบบสนทนาหลายรอบระหว่างมนุษย์กับหุ่นยนต์ยังคงเป็นปัญหาที่ท้าทาย เนื่องจากระบบที่มีอยู่มักจะใช้ส่วนต่อประสานที่เข้มงวดและขับเคลื่อนด้วยคำสั่ง ซึ่งอาจไม่เป็นธรรมชาติสำหรับผู้ใช้. ความก้าวหน้าล่าสุดในโมเดลภาษาขนาดใหญ่ (LLMs) แสดงให้เห็นทิศทางที่น่าสนใจ เนื่องจากความสามารถในการประมวลผลภาษาธรรมชาติ สร้างเอาต์พุตที่มีโครงสร้าง และสนับสนุนการใช้เครื่องมือต่างๆ ซึ่งทั้งหมดนี้เกี่ยวข้องกับการตีความความตั้งใจของผู้ใช้ในสภาพแวดล้อมของหุ่นยนต์. อย่างไรก็ตาม ความก้าวหน้าในด้านนี้ถูกจำกัดด้วยข้อจำกัดของชุดข้อมูลและเกณฑ์มาตรฐานที่มีอยู่ ซึ่งไม่ได้จับความละเอียดอ่อนของการสื่อสารของมนุษย์ในโลกจริง เช่น บทสนทนาหลายรอบ ความคลุมเครือ และคำขอที่ขึ้นอยู่กับบริบท.
ในงานวิจัยนี้ นักวิจัยจึงได้นำเสนอชุดข้อมูลบทสนทนาแบบหลายรอบที่สร้างขึ้นสังเคราะห์สำหรับ HRI ซึ่งมีการใส่คำอธิบายประกอบด้วยความตั้งใจในการกระทำ การอ้างอิงวัตถุ และแผนงานในสถานการณ์และบุคลิกของผู้ใช้ที่หลากหลาย. โดยมีจุดประสงค์หลักคือการประเมินความสามารถของโมเดลภาษาขนาดเล็กแบบ Open-weight สำหรับงานหุ่นยนต์ โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมที่การติดตั้งในเครื่องและประสิทธิภาพเป็นสิ่งสำคัญ. นักวิจัยได้กำหนดการสกัดความตั้งใจเป็นปัญหาการเรียกใช้เครื่องมือ ซึ่งการกระทำที่คาดการณ์แต่ละครั้งสอดคล้องกับการเรียกใช้ฟังก์ชันที่มีโครงสร้างพร้อมอาร์กิวเมนต์ที่อิงตามบทสนทนา และได้ทำการเปรียบเทียบโมเดลตั้งแต่ 270 ล้านถึง 8 พันล้านพารามิเตอร์เกี่ยวกับความสามารถในการสกัดความตั้งใจและการวางแผนการกระทำโดยไม่ต้องปรับแต่งเฉพาะงาน.
ผลลัพธ์แสดงให้เห็นว่าโมเดลเหล่านี้สามารถบรรลุประสิทธิภาพที่สมเหตุสมผลสำหรับงานได้แม้ในขนาดที่ค่อนข้างเล็กและไม่มีการปรับแต่งเฉพาะงาน. สิ่งนี้ชี้ให้เห็นว่าโมเดลขนาดกะทัดรัดที่สามารถติดตั้งในเครื่องได้นั้นมีพื้นฐานที่เป็นประโยชน์สำหรับระบบหุ่นยนต์สนทนาอยู่แล้ว. นักวิจัยคาดว่าการปรับแต่งเฉพาะงานและข้อมูลการฝึกอบรมที่สมจริงมากขึ้นจะช่วยเพิ่มประสิทธิภาพให้ดียิ่งขึ้นไปอีก และทำให้โมเดลดังกล่าวเหมาะสมกับการใช้งานหุ่นยนต์ในโลกจริงมากขึ้น.