Resumen: Los modelos mundiales para agentes lingüísticos se presentan en dos formas útiles. Un modelo mundial basado en agentes llama a una API LLM y razona de manera flexible en el lenguaje, pero sus errores aparecen como cambios de estado alucinados que son difíciles de calificar con pérdidas de regresión ordinarias. Un modelo mundial parametrizado es un predictor de transición entrenado; sus errores son más fáciles de medir con cantidades como NodeMSE, precisión delta y precisión de validez, pero suele ser más débil como planificador independiente. Comparamos estas dos familias en cuatro puntos de referencia de planificación estructurados en gráficos e introducimos métricas operativas de alucinaciones para el caso basado en agentes. La comparación motiva la textbf{Grounded Iterative Language Planning} (GILP), que entrena sólo una pequeña columna vertebral parametrizada y la combina con el razonamiento de agentes basado en API. La columna vertebral proporciona acciones válidas, deltas de estado previstos, riesgo y valor; el LLM redacta una acción y un delta imaginado; y una puerta de coherencia solicita una revisión cuando los dos no están de acuerdo. En llamadas reales de GPT-4o-mini, GILP reduce la tasa de estado de alucinación de 0,176 a 0,035. En ablaciones de simulador calibradas, aumenta el éxito de 0,668 a 0,838 y agrega solo ~22 % de llamadas adicionales de LLM.
Publicado originalmente en export.arxiv.org el 28 de junio de 2026.
Ver fuente original
