مدل‌های زبانی بزرگ به ربات‌ها کمک می‌کنند تا دستورالعمل‌های مبهم را درک کرده و بر جزئیات کلیدی تمرکز کنند.
تصور کنید در آینده‌ای نزدیک در یک انبار یا دفتر کار مشغول به کار هستید و از شما خواسته می‌شود به یک کارآموز جدید یادگیری اصول کارش کمک کنید. نکته اینجاست که این کارآموز یک ربات است. برای آموزش به او، ممکن است بخواهید یک بازی «نشانه دادن و توضیح دادن» انجام دهید - یعنی، به صورت فیزیکی چند روش مختلف برای انجام کاری را نشان دهید و در عین حال توضیح دهید که چه کاری انجام می‌دهید.
فرض کنید از ربات خواستید مقداری قهوه روی میز شما بگذارد بدون اینکه در طول یک تماس زوم مزاحم شما شود. شما ترجیح می‌دهید ربات خیلی به شما و لپ‌تاپ نزدیک نشود تا در جلسه شما اختلال ایجاد نکند. برای فعال کردن این رفتار، ربات باید با داده‌هایی آموزش ببیند که به وضوح کل وظیفه را نشان دهد. دانشمندان کامپیوتر تلاش کرده‌اند تا وظایف دستکاری را به ربات‌ها با ضبط تعداد زیادی نمایش فیزیکی یا نوشتن دستورالعمل‌های مفصل توضیح دهند. اما اگر هر دوی این موارد را نداشته باشید، احتمالاً ماشین متوجه نمی‌شود که چه کاری باید انجام دهد.
انجام تمام این نشان دادن و توضیح دادن برای انسان‌ها خسته‌کننده است، بنابراین محققان در آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) فرآیند آموزش یک ربات را خودکار کرده‌اند، در حالی که دستورالعمل‌ها را به طور خودکار روشن می‌کنند و از تقریباً پنج برابر داده‌های نمایشی کمتری استفاده می‌کنند. رویکرد «یادگیری معکوس ماسک‌دار» (Masked IRL) آن‌ها از یک مدل زبان بزرگ (LLM) برای شرح دستورالعمل‌های مبهم بر اساس داده‌های جمع‌آوری‌شده از نمایش کاربر استفاده می‌کند. سپس LLM دیگری جزئیاتی را که یک الگوریتم باید در آن ادغام کند، محدود می‌کند.