Resumen: Los modelos de lenguajes grandes (LLM) han atraído una amplia atención por parte de la academia y la industria, pero su implementación plantea preocupaciones críticas de seguridad con respecto a la solidez y la confiabilidad. La planificación, un componente central del comportamiento inteligente, sigue siendo un desafío para los LLM, que a menudo producen soluciones inviables o incorrectas en tareas de toma de decisiones a largo plazo debido a la complejidad inherente. En este artículo, proponemos un marco de autorrefinamiento iterativo impulsado por retroalimentación simbólica para mejorar la solidez y confiabilidad de los LLM en la planificación a largo plazo. Específicamente, se introduce un mecanismo de indicaciones en lenguaje natural para mapear símbolos lógicos en descripciones en lenguaje natural, lo que permite a los LLM capturar mejor las restricciones y la semántica de las tareas. Además, diseñamos un verificador simbólico que identifica errores y los convierte en instrucciones correctivas interpretables por el LLM, guiando así el autorefinamiento. Además, aprovechamos un reconocedor de planes para inferir la alcanzabilidad de los objetivos, lo que facilita una orientación más eficaz hacia los objetivos deseados. Los resultados empíricos demuestran que el marco propuesto mejora consistentemente tanto la viabilidad como la corrección en las tareas de planificación a largo plazo. Esto destaca su eficacia para mejorar la confiabilidad de la planificación basada en LLM y su potencial para habilitar sistemas de IA más confiables.
Publicado originalmente en export.arxiv.org el 28 de junio de 2026.
Ver fuente original
