測量機器人政策中的語言遷移：將希臘語加入 Cosmos3 Vision-Language-Action Policy
為何重要
研究結果強調，在機器人低資源語言在地化時，指標的信度驗證與資料的合成多樣性比單純的模型規模或架構調整更為關鍵。這指出開發者不能只依賴機器翻譯解層，必須透過種子複製、多重表述訓練與先建構零值指標來得出正確結論，避免被誤導的評測資料影響決策。
本研究探討在架構未變更的情況下，利用機器重改指令將希臘語加入 Cosmos3 Vision-Language-Action 系統，解決大多數機器人基礎模型僅能以英文訓練評估的少數語言落差問題。
- 僅匯入希臘語時，若未加入希臘語示範資料，多語言文字塔效能維持在「錯誤指令地板」水準。
- 雙語訓練率領對照組 6.7-7.1 分，效能約達英文表現的兩成五至三成。
- 模型過度依賴翻譯者的措辭，若針對每項任務訓練七種語句變體可減半此代價，但暖啟動語言適配世界模型並解凍文字塔反而會降低效能。