Resumen: Estudiamos el uso de modelos de idiomas (LM) para la planificación de los modelos mundiales especificados en el lenguaje de definición de dominio de planificación (PDDL). Pidimos a LMS a generar programas de Python que sirven como políticas generalizadas para resolver problemas PDDL de un dominio dado. En particular, nuestro enfoque sintetiza políticas que sean demostrablemente suenas en relación con el dominio PDDL sin dependencia de los verificadores externos. Llevamos a cabo experimentos en puntos de referencia de competencia que muestran que nuestras políticas pueden resolver más problemas PDDL que los planificadores PDDL y los enfoques de LM recientes dentro de un tiempo fijo y restricción de memoria. Nuestro enfoque se manifiesta en el planificador LMPLAN que puede resolver problemas de planificación con varios cientos de objetos relevantes. Sorprendentemente, observamos que los LMS utilizados en nuestro marco a veces planifican de manera más efectiva sobre los problemas PDDL escritos en símbolos sin sentido en lugar del lenguaje natural; p.ej. Reescritura (en Dog Kitchen) como (P2 O1 O3). Este hallazgo desafía las hipótesis que razonan sobre la semántica de palabras y memorizan soluciones de su corpus de entrenamiento, y vale la pena explorar más.
Publicado Originalme en export.arxiv.org El 26 de agosto de 2025.
Ver Fuente Original
