Trail：使用决策模型实现精准的本地智能家居控制

自然语言驱动的智能家居控制仍面临挑战：云端托管的大语言模型（LLMs）引发隐私担忧，而本地小语言模型（SLMs）可能生成无效操作或误解请求。我们提出 Trail（Typed Registry-Anchored Inference for Language commands in Smart Homes），这是一个完全在本地运行的框架，以分层的类型化决策取代开放式命令生成。Trail 利用家庭操作空间的自然结构，从基于运行时设备注册表生成的候选项中选择房间、设备和操作。这既确保了操作的有效性，也支持在无法可靠解析请求时基于置信度放弃执行。我们还设计了一个结构化记忆模块，利用类型化决策支持用户偏好、设备指代和多轮交互。为评估 Trail，我们扩展了 HomeBench，并生成了三个数据集：Trek-Base，用于测试自然语言表达的多样性；Trek-Robust，用于评估对家庭环境及其描述变化的鲁棒性；Trek-Memory，用于评估多轮交互中的对话记忆能力。Trail 在 Trek-Robust 上的准确率达到 85.3%，而经过微调的 Qwen3.5-4B 基线模型为 69.8%；同时，Trail 在 Trek-Base 请求上的表现仍具有竞争力。引入记忆模块后，Trail 能够处理 75.6% 的依赖先前轮次的请求，而获得对话历史的微调基线模型仅能处理 42.5%。