本文探讨当使用者的纠正可能错误时，具身代理应如何响应。我们将此问题定义为基于事实的纠正仲裁，其选择包括接受、拒绝、检查环境以及向说话者提问。为实现该接口，GAVA 采用了观察受限的证据收集、合法探测以及一步期望损失规则。
在仅文本的 ALFWorld 环境中，我们设置了 162 个检查点，产生 972 对真假干预。完整的局部检查使 GAVA 能够始终验证 100% 的纠正准确率，从而实现证据契约，而非相对优势。
在同一回合执行时，GAVA 相比于始终验证的策略显著降低了交互成本，但在完美说话者的情况下仍受成本阈值限制。进一步引入仅用于训练的对象位置先验，可在 340 个未见场景中将交互成本和声明的联合成本分别降低 0.490 和 0.420（相对于均匀 GAVA）。
冻结策略后，在 77 个不重叠的已见检查点（覆盖 308 场景）上复现了收益：交互成本降低 0.595，联合成本降低 0.517，且 95% 检查点自助置信区间均不包含零。联合成本同等先验的固定策略亦有提升，而与校准后的无价值信息比较仍不确定。
语义 GAVA 在每个实验组中出现四个事实错误，对应的准确率分别为 98.8% 和 98.7%，所有方法均完成了全部任务。结果支持在声明成本下使用语义先验进行选择性信息收集，但未能证明环境信息价值（VOI）相较于澄清具有普遍优势。研究使用归一化声明、完整符号观测和受控说话者，不涉及人类参与、视觉输入或实体机器人。
点评