就像裁判看了同一段比赛录像，只因提问换了说法，便给出相反判决。机器人训练也可能遇到这种问题：视觉语言模型（VLM，能同时理解画面与文字指令的模型）常被当作奖励模型——给机器人的动作过程打分，指导它通过强化学习反复试错。但如果分数跟措辞走，机器人学到的方向也会被带偏。
研究者为此制作了 RoboRMBench：固定同一条真实机器人轨迹，只改写目标指令。基准包含 2,390 条轨迹和 21,673 条经语义等价验证的改写，覆盖换词、调整句式和转换行动目标的叙述视角。论文报告，在视角转换幅度较大的测试中，一些通用 VLM 对超过半数轨迹同时给出过“失败级”和“成功级”评分。模型更大或加入显式推理，也没有稳定消除矛盾。
相较之下，接受过“轨迹—奖励”专门监督的 RR-4B、RR-8B 虽然更小，却明显更稳定。作者还发现，在离线挑选最佳轨迹时，措辞矛盾较少的模型能选出真实进度更高的动作。这说明，机器人奖励模型不只要平均打得准，还得做到同义指令不改判。