مفیدتر کردن روبات ها با زبان

PaLM-SayCan نشان می دهد که عملکرد یک ربات را می توان به سادگی با بهبود مدل زبانی زیربنایی بهبود بخشید. هنگامی که سیستم با PaLM یکپارچه شد، در مقایسه با یک مدل پایه کمتر قدرتمند، ما شاهد بهبود 14 درصدی در نرخ موفقیت برنامه‌ریزی یا توانایی ترسیم یک رویکرد مناسب برای یک کار بودیم. ما همچنین شاهد بهبود 13 درصدی در میزان موفقیت اجرا یا توانایی انجام موفقیت آمیز یک کار بودیم. این نصف تعداد اشتباهات برنامه ریزی انجام شده توسط روش پایه است. بزرگترین پیشرفت، با 26 درصد، در برنامه ریزی کارهای افق بلند، یا کارهایی است که در آن هشت مرحله یا بیشتر درگیر است. این یک مثال است: «من یک نوشابه، یک سیب و آب را کنار گذاشتم. آیا می توانی آنها را دور بیندازی و بعد برایم اسفنجی بیاوری تا میز را پاک کنم؟ اگر از من بپرسی خیلی سخت است.