PulseAugur
中
实时 01:36:00
English(EN) Why We Need World Models for AGI: Where LLMs Fail and How World Models May Outperform

研究论文认为，大型语言模型（LLM）因序列预测的局限性而在通用人工智能（AGI）方面表现不佳

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文提出，大型语言模型（LLM）由于其序列预测的目标，在需要因果推理和长期规划的任务中存在根本性限制。作者提出了潜在动态推理（LDI）框架，将观察结果解释为环境潜在动态的证据。他们的实验环境Flux表明，能够明确访问潜在状态动态的智能体在长时程游戏中表现远超LLM，这表明鲁棒的推理需要的不只是序列预测。 AI

影响 论证了LLM的序列预测目标限制了其实现AGI的能力，并提出需要新的方法来实现鲁棒推理。

排序理由 该集群包含一篇研究论文，提出了一种新框架和实验环境来解决LLM在AGI方面的局限性。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Feisal Alaswad, Batoul Aljaddouh, Maher Alrahhal, Poovammal E, Talal Bonny ·

    Why We Need World Models for AGI: Where LLMs Fail and How World Models May Outperform

    arXiv:2605.23972v1 Announce Type: new Abstract: Large language models achieve strong performance in language generation and knowledge-intensive tasks, yet remain limited in settings requiring causal reasoning, persistent state tracking, and long-horizon planning. We argue that th…

相关实体

相关话题