EMNLPOct, 2023

基于符号规划和代码生成的实地对话

PDF
TL;DR使用大型语言模型与符号规划器和基于代码执行的系统组成的模块化可解释的对话系统，在处理任务导向对话中解决了大型语言模型难于引导到任务目标和处理新颖基础的问题，并在具有抽象散点图的协作参考解决任务中显著优于之前的最新技术，包括在最具挑战性的情境中将人工评估的任务成功率从 56% 提高到 69%。
发现论文，激发创造
  • 基于计划的大型语言模型在双目标对话设置中的应用

    本文介绍了一个新颖的大型语言模型（LLM），在混合主动对话环境中对话，并通过制定规程计划引导用户，并在需要时激活安全保障措施。实验结果表明，该模型取得了 2.1 倍的改进，并在未知领域中显示出良好的泛化能力。

    Feb, 2024

  • 开放式实地规划：挑战与基准构建

    提出了一个新的计划任务 —— 开放式基于实际情况的规划，通过建立一个横跨广泛领域的开放式基于实际情况的规划基准，测试了现有先进的大型语言模型和五种规划方法，并揭示了现有大型语言模型和方法在开放领域的基于实际情况的规划所面临的挑战，为开放式基于实际情况的规划定义和建立了一个基础数据集，并对基于大型语言模型的规划的潜在挑战和未来发展方向进行了探讨。

    Jun, 2024

  • 关于借助语言模型实现具体任务计划的研究

    本研究旨在探讨语言模型是否具有生成具体执行计划的能力，并针对该问题提出了一个新的问题解决方案: G-PlanET。通过将高级目标和特定环境中物体的数据表输入，我们设计了一种迭代解码策略，并使用新的度量标准 KAS 评估模型执行计划的质量，实验结果表明，将环境信息编码为表格，迭代解码策略可以显著提高语言模型的表现。

    Aug, 2022

  • SayPlan：利用 3D 场景图对大型语言模型进行基础，实现可扩展任务规划

    SayPlan 是一种可扩展的、基于 LLM 的、大规模任务规划方法，使用 3D 场景图表示，在多层和多房间环境中对机器人的任务进行规划，其方法包括利用 3DSG 的分层结构和引入经典路径规划算法来降低规划范围，并使用迭代重新规划以在图形模拟器中反馈使行动可行和避免规划失败的信息。我们在两个大规模环境上进行了评估，显示了我们的方法能够从抽象和自然语言指令中为移动机械手执行大规模、长范围任务计划。

    Jul, 2023

  • LLM-Planner: 借助大型语言模型进行少样本基于实例的具身 agent 规划

    本研究使用大型语言模型 (Large Language Models, LLMs) 作为规划师，以完成视觉感知环境中的复杂任务的具有身体接口的代理人。研究提出了 LLM-Planner 方法进行 few-shot planning，同时提出通过物理接口增强 LLMs 的简单而有效的方法，实验结果表明该方法在 ALFRED 数据集上能够取得与使用全数据训练的基线模型相当的性能。

    Dec, 2022

  • LLM 动态规划

    大型语言模型与符号规划器结合的神经符号框架，为解决涉及体验代理的复杂计划任务提供更快速和高效的解决方案。

    Aug, 2023

  • 神经符号推理用于规划：通过大型语言模型和可满足性求解的反例引导归纳合成

    使用方便的自然语言进行交流，结合生成式大型语言模型和可满足模理论求解器，可以生成可验证的正确解决方案。

    Sep, 2023

  • 生成符合 PDDL 标准的神经符号规划器框架

    本文介绍了 Teriyaki 框架，将大型语言模型（LLMs）训练为与规划领域定义语言（PDDL）兼容的神经符号规划器，验证了这种基于 LLMs 的规划器的正确性，并将其与现有的 PDDL 规划器进行了比较。

    Mar, 2023

  • 朝可证实的文本生成方向前进：带有符号引用

    该论文提出了符号基于生成（SymGen）的方法，通过与条件数据中的显式符号引用交替输出文本，实现对大语言模型（LLMs）输出文本的验证和溯源，从而减少人工验证的工作量，同时保持流畅和准确。

    Nov, 2023

  • 大型语言模型的概念模型解释器

    探索性研究应用代码生成和解释器，将概念模型以文本形式生成并使用最新的大型语言模型（如 Llama~2 和 ChatGPT 4）进行自动渲染，在对话界面中支持模型的迭代建模。

    Nov, 2023