AdaHome: An Adaptive Smart Home Assistant using Local Small Language Models
作者: Eu Jin Lim, Zhaoxing Li, Sebastian Stein
分类: cs.AI
发布日期: 2026-07-20
💡 一句话要点
提出AdaHome以解决智能家居助手的效率与隐私问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 智能家居 小型语言模型 个性化适应 意图感知 Chain-of-Draft 本地部署 用户隐私 命令处理
📋 核心要点
- 现有智能家居助手依赖大型语言模型，导致效率低下且存在隐私风险，且对长期个性化支持不足。
- AdaHome通过本地部署小型语言模型，采用意图感知的规划框架和Chain-of-Draft策略，提升命令处理效率。
- 实验结果表明，AdaHome在直接命令的准确率达到86.7%，延迟降低至3倍，同时在模糊输入上表现出竞争力。
📝 摘要（中文）
智能家居助手能够解释多种用户命令，包括明确的设备控制和依赖于偏好的模糊请求。尽管基于大型语言模型（LLMs）的系统在这方面有所提升，但它们通常依赖于复杂的推理流程和云端部署，限制了在资源受限环境中的效率，并引发隐私问题。此外，现有方法对长期个性化支持有限。为了解决这些问题，本文提出了AdaHome，一个设计用于本地部署小型语言模型的自适应智能家居助手。AdaHome引入了一种意图感知的规划框架，动态地将命令路由到简单的基于提示或轻量推理的组件。对于需要解释的命令，采用了Chain-of-Draft策略以实现高效和稳定的决策。为支持个性化，提出了一种偏好适应机制，能够在不需要提示增强或模型再训练的情况下，随着时间的推移从用户反馈中学习。
🔬 方法详解
问题定义：本文旨在解决智能家居助手在资源受限环境中效率低下和隐私问题，同时提升长期个性化支持。现有基于大型语言模型的方法在这些方面存在明显不足。
核心思路：AdaHome的核心思路是利用本地小型语言模型，结合意图感知的规划框架，动态选择合适的处理方式，从而提高命令处理的效率和准确性。
技术框架：AdaHome的整体架构包括命令接收、意图识别、动态路由和反馈学习四个主要模块。命令接收模块负责接收用户输入，意图识别模块用于解析用户意图，动态路由模块根据命令类型选择处理路径，反馈学习模块则用于个性化适应。
关键创新：最重要的技术创新在于引入了意图感知的规划框架和Chain-of-Draft策略，使得命令处理能够根据具体情况选择最优路径，与现有方法的统一推理流程形成鲜明对比。
关键设计：在设计中，AdaHome采用了轻量级的推理组件，并通过用户反馈不断调整偏好适应机制，避免了传统方法中需要频繁的模型再训练和提示增强的缺陷。具体参数设置和损失函数的设计细节在论文中有详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，AdaHome在直接命令的准确率达到86.7%，相比于基线提升显著，同时延迟降低至3倍。在多轮对话场景中，AdaHome的偏好一致性达到88%，远超基线的52.5%。
🎯 应用场景
AdaHome的研究成果在智能家居领域具有广泛的应用潜力，能够为用户提供高效、个性化的助手服务。其本地部署的特性不仅提高了响应速度，还增强了用户隐私保护，适合在各种资源受限的环境中使用。未来，该技术可扩展至其他智能设备和服务，推动智能家居生态系统的发展。
📄 摘要（原文）
Smart home assistants interpret a wide range of user commands, from explicit device control to underspecified and preference dependent requests. While recent systems based on Large Language Models (LLMs) improve this capability, they often rely on heavyweight reasoning pipelines and cloud-based deployment, limiting their efficiency and suitability for resource-constrained environments, and raising privacy concerns. In addition, existing approaches provide limited support for stable long-term personalization. To address these issues, we present AdaHome, an adaptive smart home assistant designed for locally deployed small language models in smart home environments. Rather than applying complex reasoning uniformly, AdaHome introduces an intent-aware planning framework that dynamically routes commands either to straightforward prompt-based or lightweight reasoning-based components. For commands requiring interpretation, we adopt a Chain-of-Draft strategy to enable efficient and stable decision-making. To support personalization, we further propose a preference adaptation mechanism that learns from user feedback over time without requiring prompt augmentation or model retraining. We evaluate AdaHome against representative LLM-based baselines under a unified small model setting. AdaHome achieves substantially higher accuracy on direct commands (86.7%) while reducing latency by up to 3$\times$. Furthermore, it maintains competitive performance on ambiguous inputs with lower computational cost. In multi-turn scenarios, AdaHome achieves 88% preference consistency, compared to 52.5% for a prompt augmentation baseline.