LLMs 与符号规划器差距：基于 NLP 的评估视角

研究将 LLM 规划评估重构为 NLP 任务，提出三步流水线加符号规划以细致分析无效计划质量。实验显示 LLM 生成的非空计划平均仅 3.55 个动作可执行，远低于最优符号计划的 9.47 个动作。 结果表明 LLM 在计划生成中缺乏逻辑推导和状态追踪，距符号规划器的可靠性仍有显著差距。