用户给出的具体实例，比如依据颜色将不同服饰分别放入衣柜和抽屉，会被转换成Python风格的LLM提示信息。
该结论在接下来的环节中会被用于判定未知物品应该被放到哪里，前一步的输出结果在这里作为提示的开头。
除了放置的位置，LLM也能分析其他操作信息，比如是需要“放”还是“扔”（下方Summary中的内容由LLM生成）。
该数据集包含了96组以文本形式描述的任务场景，具体包括已知和未知操作方式的物品和相应的容器。
在每个场景中，容器的数量为2-5个，已知操作方式的物品数量为4-10个，未知物品数量与已知相同。
实际环境中，由于对物品分类的方式多种多样，团队分别从不同分类角度对TidyBot的表现进行了测试，具体包括：
位置及放置方式偏好：服装→沙发，放；木块→抽屉，放；易拉罐→垃圾桶，扔；水果→黑色箱子，扔；零食→塑料箱，扔
本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。
