En este artículo, presentamos un novedoso benchmark PARSEC, que aprende las preferencias del usuario para colocar objetos en entornos parcialmente organizados y resolver el problema de reubicación de objetos en robots domésticos. PARSEC contiene 110.000 ejemplos de reubicación de 72 usuarios, obtenidos mediante colaboración colectiva, y abarca 93 categorías de objetos y 15 entornos. En este artículo, proponemos ContextSortLM, un modelo de reubicación personalizado basado en LLM que gestiona las preferencias flexibles del usuario considerando objetos que pueden colocarse en diversas ubicaciones. Evaluamos ContextSortLM y los enfoques de reubicación personalizados existentes en el benchmark PARSEC, y evaluamos la coherencia de las predicciones del modelo con las preferencias del usuario mediante una evaluación colaborativa realizada por 108 evaluadores en línea. Como resultado, demostramos que los modelos de reubicación personalizados que utilizan múltiples fuentes de contexto de escena superan a los que se basan en una única fuente de contexto, y ContextSortLM reproduce mejor las ubicaciones de los usuarios que otros modelos y se sitúa entre los dos primeros en todas las categorías de entorno según los evaluadores en línea. Finalmente, destacamos los desafíos asociados con el modelado del significado ambiental en diferentes categorías ambientales y ofrecemos recomendaciones para futuras investigaciones.
