LLM 规划难题：结构复杂度与语义可解释性区分
热点事件持续更新
LLM 规划难题：结构复杂度与语义可解释性区分
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月18日，Mayukh Debnath等人在arXiv发布v1论文，探讨LLM在规划任务中感到困难的根源。该研究旨在区分问题的结构复杂度与语义可解释性，为理解LLM规划局限提供理论依据。 研究在7个STRIPS领域中进行实证分析，结果显示零训练启发式h_add在预测结构难度方面优于ARC指标，平均Spearman相关系数分别为0.931和0.400。这一数据表明，符号启发式能够准确估计问题的结构难度。 实验还发现，对谓词进行改名操作会使LLM的规划成功率从67.5%显著降至40.0%。这一现象说明LLM的表现对谓词语义高度敏感。因此，在混合规划优化中，重点应放在建模LLM对谓词语义的行为上，而非仅依赖结构指标。
AI 根据报道生成 · 3 小时前更新
最新进展10月21日 12:00
**title_zh:** 当规划问题让 LLM 感到困难：区分结构复杂度与语义可解释性报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv · AI**title_zh:** 当规划问题让 LLM 感到困难：区分结构复杂度与语义可解释性
**summary_zh:** 在 7 个 STRIPS 领域中，零训练启发式 $h_{\mathrm{add}}$ 预测结构难度优于 ARC（平均 Spearman $|\rho|=0.931$ 对 $0.400$）。 谓词改名使 LLM 规划成功率从 67.5% 降至 40.0%，表明符号启发式已能准确估计难度，混合规划优化需重点建模 LLM 对谓词语义的行为。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月21日 13:00
- 近 24 小时变化
- –
02.557.510
13:0014:0015:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。