一篇新论文探讨了大型语言模型（LLMs）在经典规划任务中面临的挑战，区分了结构复杂性与语义可解释性。研究人员发现，像删除松弛启发式 $h_{\mathrm{add}}$ 这样的既有符号启发式在估计结构难度方面是有效的，优于学习到的替代方法。研究还揭示，当谓词名称改变时，LLM 的性能会显著下降，这突显了模型对语义细微差别的敏感性，而不仅仅是结构属性。这表明改进混合规划系统需要更好地模拟 LLM 在谓词语义方面的行为。 AI
影响 强调了 LLMs 需要更好地理解规划任务中的语义细微差别，这可能会影响未来的模型开发。
排序理由 分析 LLM 在规划任务中表现的研究论文。
- Be File System
- delete-relaxation heuristic $h_{\mathrm{add}}$
- episodic retrieval architecture ARC
- LLMs
- STRIPS
- Tikhonov regularization
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
