FLEX använder en språkmodell för att bearbeta korrigeringar som människor skriver till en robot. När någon ber den undvika att spilla kaffe på en laptop kan systemet generalisera önskemålet till att skydda elektronik, och därmed även ta hänsyn till en mobil.
Metoden arbetar i tre steg: lägga till sådant som instruktionen pekar ut, generalisera till en bredare regel och sortera bort sådant som inte längre är relevant. Mänskliga demonstrationer används också för att lära roboten hur olika hänsyn ska vägas mot varandra.
Forskarna testade bland annat simulerade robotarmar som bar kaffe, ett tänt ljus eller ett bowlingklot. I en användarstudie fick tolv deltagare se robotbeteenden i simulering och skriva korrigeringar. Dessa användes även i en separat utvärdering med demonstrationer inspelade på en fysisk Franka-robot.
Det var alltså inte en studie där deltagarna styrde en färdig hemrobot i verkliga bostäder. Forskarna påpekar dessutom att språkmodellens generaliseringar kan fungera sämre för personliga eller oväntade önskemål.
Målet är robotar som går att instruera utan att användaren behöver ange varje detalj. Resultaten visar en forskningsmetod, inte en färdig konsumentprodukt eller någon garanti för säkert beteende.
MIT uppmärksammade arbetet den 9 november. Forskningsartikeln publicerades på arXiv den 20 oktober och har accepterats till Conference on Robot Learning 2026.
