arXiv cs.CL· Owen Jiang, Cassie Huang, Ashish Sabharwal, Li Zhang·· 12 小时前AI 评分31
语言模型作为高阶规划形式化器：LLM-as-Higher-Order-Formalizer 新范式
Language Models as Higher-Order Planning Formalizers
AI 导读
研究提出 LLM-as-Higher-Order-Formalizer 新范式，让 LLM 生成捕捉描述中重复逻辑的高层程序，再由程序生成大型 PDDL 表示，从而将 token 输出与形式化及搜索空间的组合爆炸解耦。
正文 · AI 翻译
摘要：近期研究提供了压倒性的证据，表明 LLM 即使经过扩展推理轨迹的训练，随着问题变得更加复杂，其在规划方面的能力也会迅速下降。LLM-as-Formalizers 旨在通过将 LLM 用作桥梁，把自然语言描述转换为结构化规划表示（如 PDDL），再将其输入程序化求解器来解决这一问题。我们观察到，其成功可能被高估了，因为标准基准中的规划问题描述往往与 PDDL 存在一一对应关系，这与实际用例相去甚远。为解决这一问题，我们引入了“unraveling 问题”的概念，即一段自然却简洁的描述会转换为一个非常庞大的 PDDL 表示。使用四个标准规划领域的 unraveling 变体，我们证明 LLM Formalizers 也并非总能扩展。为应对这一挑战，我们引入了一种新范式 LLM-as-Higher-Order-Formalizer，其中 LLM 生成一个高层程序，该程序捕获描述中的重复逻辑，进而生成更大的 PDDL 表示。这将 token 输出与底层形式化和搜索空间的组合爆炸解耦，从而提升了复杂问题的性能。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2603.23844 [cs.CL] |
| （或 arXiv:2603.23844v4 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2603.23844 arXiv 颁发的 DOI（通过 DataCite） |
提交历史
来自：Owen Jiang [查看邮箱]
[v1]
2026 年 3 月 25 日星期三 02:01:09 UTC（4,533 KB）
[v2]
2026 年 7 月 4 日星期六 18:41:30 UTC（7,496 KB）
[v3]
2026 年 10 月 16 日星期五 23:42:04 UTC（6,754 KB）
[v4]
2026 年 10 月 21 日星期三 18:46:01 UTC（6,754 KB）
来源：arXiv cs.CL · arxiv.org