Resumen: Aunque los modelos de idiomas grandes han mejorado las habilidades automatizadas de planificación de viajes, los sistemas actuales siguen desalineados con escenarios del mundo real. Primero, suponen que los usuarios proporcionan consultas explícitas, mientras que en la realidad los requisitos a menudo están implícitos. En segundo lugar, las soluciones existentes ignoran diversos factores ambientales y preferencias de los usuarios, lo que limita la viabilidad de los planes. En tercer lugar, los sistemas solo pueden generar planes con arreglos de POI básicos, no proporcionar planes todo en uno con detalles ricos. Para mitigar estos desafíos, construimos un nuevo conjunto de datos textbf {minorista}, que admite la toma de decisiones para consultas implícitas al tiempo que cubremos consultas explícitas, tanto con y sin necesidades de revisión. También permite que la conciencia ambiental garantice la viabilidad del plan en escenarios del mundo real, al tiempo que incorpora información detallada de POI para planes de viaje todo en uno. Además, proponemos un marco de agente múltiple guiado por el tema, denominado TGMA. Nuestros experimentos revelan que incluso el modelo existente más fuerte logra simplemente una tasa de aprobación del 1.0%, lo que indica que la planificación de viajes del mundo real sigue siendo extremadamente desafiante. En contraste, TGMA demuestra un rendimiento sustancialmente mejorado del 2.72%, ofreciendo direcciones prometedoras para la planificación de viajes del mundo real.
Publicado Originalme en export.arxiv.org El 21 de agosto de 2025.
Ver Fuente Original
