大语言模型在规划中的表现受语义可解释性与结构复杂性影响

发生了什么

研究表明，大语言模型（LLMs）在处理经典规划任务时，其表现受到语义可解释性和结构复杂性的共同影响。研究发现，零训练的删除松弛启发式算法$h_{\mathrm{add}}$在预测结构难度方面优于其他学习方法，包括岭回归和ARC架构。通过逐步重命名谓词来隔离语义效应，发现LLM规划成功率显著下降。研究建议，改进混合规划需要关注LLM对谓词语义的敏感度建模，而非开发更复杂性的预测器。