Mar, 2024

FLAP: 基于有约束解码的流跟随规划在 LLMs 中

PDF
TL;DR通过预定义的工作流程和 API 依赖关系，基于先知启发式的受限解码算法提供了对面向任务对话中的忠诚规划的研究，优于其他解码和提示为基础的基准，并且在较小的 LLMs（7B）上应用我们的算法，实现了与更大的 LLMs（30B-40B）相当的性能。
task oriented dialogsplanningllmspredefined workflowsapi dependencies
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

  • 以人为中心的规划

    创建基于 LLMs 的规划器（LLMPlan）与能够将文本约束转化为符号表示的符号规划器（SymPlan），通过自我反思的能力以及对自然语言中模糊约束的合并，LLM 基于规划器在 40 名用户的互动评估中表现出优异的用户满意度（70.5%）且不输于传统符号规划器（40.4%）的显式约束满足率。

    Nov, 2023

  • 支持不完整用户查询的 LLM + 推理 + 规划在 API 存在的情况下

    最近大型语言模型（LLMs）的可用性推动了许多基于 LLM 的方法的发展，旨在提供各种最终用户任务的自然语言接口。我们提出的方法的关键思想是利用逻辑推理和经典人工智能规划，结合 LLM 准确回答用户查询，包括识别和收集这些查询中的任何缺失信息。

    May, 2024

  • 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

  • FlowBench: 重新审视以工作流为导向的基于 LLM 的智能体规划，并进行基准测试

    LLM 基于智能体是有前途的工具，用于通过迭代规划和行动来完成复杂任务。然而，在缺乏专业知识进行任务时，这些智能体容易出现计划幻觉。为了解决这个问题，初步尝试通过整合外部与工作流相关的知识来提高规划的可靠性。我们形式化了不同格式的工作流知识，并提出了 FlowBench，这是用于工作流指导规划的第一个基准。FlowBench 涵盖了 6 个领域中的 51 个不同场景，并以多种格式呈现知识。为了评估 LLM 在 FlowBench 上的表现，我们设计了一个多层次评估框架。我们评估了不同格式的工作流知识的功效，结果表明目前的 LLM 智能体在满意的规划方面需要相当的改进。我们希望我们具有挑战性的基准可以为未来的智能体规划研究铺平道路。

    Jun, 2024

  • 语言代理的元任务规划

    此研究论文介绍了 Meta-Task Planning (MTP)，一种用于协作式基于大型语言模型的多智能体系统的零样本方法，通过将复杂任务分解成次级任务或元任务来简化任务规划，进而将每个元任务映射为可执行动作。该方法在 TravelPlanner 和 API-Bank 两个基准测试中进行了评估，取得了出色的结果，显示了将 LLM 与多智能体系统整合的巨大潜力。

    May, 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

  • ADaPT：根据需要的分解和语言模型规划

    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。

    Nov, 2023

  • AutoTAMP: 基于 LLMs 的自回归任务和运动规划

    该研究提出了一种基于大型语言模型和任务运动规划的方法，以实现机器人对自然语言任务描述的理解和执行。该方法可以检测并纠正语法和语义错误，并在复杂任务领域中优于使用大型语言模型作为规划器的其他方法。

    Jun, 2023