选择或不选择，这就是问题：将机器人技能预测提炼成一个小的集合

随着机器人队伍变得更加多样化，包括人形机器人、漫游车、四足动物和无人机，为任务选择合适的机器人成为核心系统问题。我们研究机器人技能预测：将自然语言任务描述映射到执行该任务所需的物理能力，例如飞行、轮子、腿、地表水、水下和手。由于将自然语言任务描述映射到机器人物理能力的标记数据不存在，因此我们使用 LLM 辅助生成和有针对性的标签审核构建了一个合成的任务到技能数据集。在此数据上进行训练后，两个微调句子编码器 (mpnet + MiniLM) 的约 1.33 亿参数集成在分层的 200 个任务数据集上达到了 83.5% 的任务与技能匹配率，优于 Kimi K2 (1T MoE) 的 72.0%、GPT-OSS-120B 的 71.5% 和 Llama-4-Scout-17B 的性能在相同的零样本提示下为 69.0%。这些结果表明，对于固定的机器人技能分类法，在合成数据上训练的小型专用模型在车队级任务路由方面可以胜过更大的通用 LLM。