ADaPT：根据需要的分解和语言模型规划

Nov, 2023

ADaPT：根据需要的分解和语言模型规划

ADaPT: As-Needed Decomposition and Planning with Language Models

Archiki Prasad, Alexander Koller, Mareike Hartmann, Peter Clark, Ashish Sabharwal...

TL;DR大型语言模型（LLMs）在交互决策任务中的规划和适应环境方面的应用，遇到任务复杂性挑战时，我们通过 ADaPT 方法明确计划和分解复杂子任务，在多层次分解中动态调整执行者 LLM 的能力以及任务复杂性，最终取得了显著性成果。

Abstract

large language models (LLMs) are increasingly being used for interactive decision-making tasks requiring planning and adapting to the environment. Recent works employ LLMs-as-agents in broadly two ways: iteratively determining the next action (iterative executors) or generating plans a

large language models interactive decision-making tasks as-needed decomposition and planning task complexity llm capability

发现论文，激发创造

AdaPlanner：使用语言模型的自适应反馈规划

本文提出了 AdaPlanner，一种基于闭环反馈的语言模型智能体自适应地改进生成的计划，并通过新的技能发现机制，使其能够在更复杂的任务和环境中实现更好的连续决策性能，实验结果表明 AdaPlanner 在 ALFWorld 和 MiniWoB++ 环境中优于现有的基线算法。

May, 2023

大型语言模型推理中动态策略选择的自适应求解器框架

给定一个初始解决方案，我们引入了一个自适应求解器框架，通过动态适应策略，包括模型适应、提示方法适应和分解粒度适应，来提高计算效率和整体性能，同时减少 API 成本。

Oct, 2023

利用自然语言指导学习自适应规划表示

Ada 使用语言模型从任务通用的背景知识中自动构建特定任务的规划表示，通过与其他使用语言模型进行顺序决策的方法相比，在两个基准任务上表现出更准确的计划和更好的任务复杂性泛化能力。

Dec, 2023

DELTA：基于大型语言模型的分解型高效长期机器人任务规划

提出了一种名为 DELTA 的新型 LLM 驱动的任务规划方法，通过将环境拓扑图作为 LLM 中的环境表示，以快速生成精确的规划问题描述；同时利用 LLM 将长期任务目标分解为自回归的子目标序列，以供自动化任务规划器解决；该方法提供了更高效且完全自动化的任务规划流程，实现了比现有技术更高的规划成功率和显著缩短的规划时间。

Apr, 2024

小语言模型微调以协调更大的语言模型，提升复杂推理

引入 DaSLaM，使用分解生成器将复杂问题分解为需要更少推理步骤的子问题，由求解器回答。我们的方法在多个不同推理数据集上进行评估，表明 1750 亿参数 LM（text-davinci-003）可以产生与规模更大的 GPT-4 相比具有竞争力甚至更好的性能。

Oct, 2023

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

TaskLAMA: 探究语言模型的复杂任务理解能力

通过使用大型语言模型，我们从高质量的人工标注数据集中提取知识，并引入了新的评估指标，发现结构化复杂任务分解能够有效地将复杂任务分解为个别步骤，相对于基准实验的最大改进幅度为 280%，但在预测两两时间依赖性方面仍存在困难。

Aug, 2023

理解 LLM 智能体的规划：一项调查

将大型语言模型作为自主代理的规划模块，通过提供现有作品的分类和全面分析，讨论了任务分解、计划选择和外部模块等方向在 LLM-Agent 规划中的进展和挑战。

Feb, 2024

NL2Plan: 从最简文本描述中驱动的鲁棒性 LLM 规划

NL2Plan 是第一个通用领域脱机驱动计划系统，利用大型语言模型通过逐步提取必要信息从短文本提示创建完整的 PDDL 描述，进而通过经典计划器解决问题，提供解决 15 个任务中 10 个任务的改进以及提高可解释性和 PDDL 创建协助工具的功能。

May, 2024

TwoStep：基于经典规划器和大型语言模型的多智能体任务规划

通过结合经典规划和大型语言模型的优势，我们实现了基于 LLMs 的目标分解，提高了计划的速度和执行成功，并且比单一代理计划少了更少的执行步骤，同时实现了与人类专家指定的多代理执行步骤类似的结果。

Mar, 2024