ESearch-R1：基于强化学习的成本感知多模态大语言模型智能体用于交互式具身搜索

多模态大语言模型（MLLM）显著提升了具身智能体在规划与推理方面的能力。然而，在面对模糊自然语言指令（如“取工具”）时，现有智能体难以平衡物理探索的高成本与人类交互的认知成本，通常将消歧视为被动感知问题，缺乏最小化总任务执行成本的策略性推理。为此，本文提出ESearch-R1——一种成本感知的具身推理框架，将交互对话（Ask）、情景记忆检索（GetMemory）和物理导航（Navigate）统一为单一决策过程，并引入异构成本感知分组相对策略优化算法（HC-GRPO），通过采样多条推理轨迹并强化那些在信息增益与异构成本（如导航时间、人类注意力）之间取得最优权衡的轨迹来优化MLLM。在AI2-THOR环境中的大量实验表明，ESearch-R1显著优于标准ReAct智能体，在提升任务成功率的同时将总操作成本降低约50%。