iAm.md：面向未知开放词汇域的机器人技能自评估框架

论文 iAm.md 提出一种 Markdown 标准与生成框架，用于机器人技能自评估。该框架通过开放词汇语义建图，将本地视觉语言检测与物体分割结果关联到标准化表示中的持久物体记录，使智能体能够进行内省。作者在模拟 TIAGo 上测试导航与操作任务，显示该标准化表示同时支持技能自评估与可执行任务泛化。

此前基于基础模型的具身智能体容易在未确认机器人硬件与环境是否支持操作的情况下生成行为，即 grounding failure。该工作把行为生成转为代码生成问题，并用部署证据锚定推理，使机器人在未知开放词汇域中先判断自身能力再执行任务。

LLM 的上下文窗口与下一 token 预测容易产生幻觉，因此规划结果可能脱离实际部署条件。iAm.md 用 Markdown 作为中间标准表示，将视觉语言检测与物体分割统一为持久物体记录，再通过智能体内省对照这些证据评估技能是否可执行，从而降低无根据行为生成。

对机器人研发而言，该方法提供了一条可复用的技能自评估与任务泛化路径，可减少因盲目执行计划导致的失败与调试成本。产品侧可把 Markdown 表示作为人机协作接口，让操作者审查机器人能力边界，提升部署安全性与用户信任。

• 将 Markdown 技能自评估表示接入机器人仿真与真机测试流程，形成可回放的部署证据记录。
• 面向仓储或家庭服务机器人，开发基于该框架的技能可执行性预检查模块，降低错误操作率。
• 把持久物体记录与开放词汇检测封装为中间件，供不同基础模型与机器人本体复用。

• 该框架在真实机器人上的表现是否与模拟 TIAGo 一致，证据未说明。
• 开放词汇语义建图的开销与实时性是否满足实际部署要求，未给出数据。
• Markdown 标准是否会被其他团队采纳或扩展，目前仅有单一论文来源。
• 技能自评估的准确率与误判率缺乏量化结果。