选择性感知：为语言模型行动者学习简洁的状态描述

基于摘要分析。本文研究机器人与游戏等具身序贯决策任务中，如何为充当行动者的 LLM 提供简洁且有助于决策的文本状态描述，提出 BLINDER（Brief Language INputs for DEcision-making Responses），以学习式状态特征选择替代手工设计的任务专用描述规则。 核心机制是学习一个以任务为条件的状态描述价值函数，近似评估某种状态描述使 LLM 产生最优动作的可能性，据此选择简洁、有用的状态特征。其针对的问题不是直接压缩语言模型，而是减少高维状态转为文本时的冗余与无关信息，避免穷举描述带来的推理成本及决策干扰。价值函数的训练信号、模型结构、候选描述生成方式及选择过程的额外开销，摘要未披露。 作者报告，在 NetHack 视频游戏和真实世界机器人操作任务中，状态描述长度分别减少 87% 和 99%，任务成功率分别提升 158% 和 54%；这些是摘要所述的相对变化，不能解读为成功率增加相同数值的百分点。摘要未明确对应基线、描述长度的计量方式及成功率绝对值，因此尚不能据此判断实际收益规模或不同任务间的可比性。作者还报告方法可泛化至不同规模和能力的 LLM 行动者，但具体模型及迁移设置尚未验证。 全文核对重点包括：价值函数如何获得监督，特征选择是否依赖额外环境交互，以及描述缩短后的端到端成本与性能权衡。实验协议、消融及统计信息尚未验证。本文主要研究对象是具身任务中的 LLM 状态表述，并非 EEG 解码或 BCI 算法；材料未提供神经信号实验，不能将上述收益视为 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。