LLM 距离符号规划器还有多远？——基于 NLP 视角的评估研究

一篇 arXiv 论文提出用三步 NLP 评估加符号规划修正的流水线，细粒度衡量 LLM 生成规划的质量。实验发现 LLM 生成规划时缺乏逻辑推导或状态跟踪的明确证据：非空规划平均只有 3.55 个动作可执行，而符号生成的最优规划平均长度为 9.47 个动作，表明 LLM 作为长程规划器仍远不如符号规划器可靠。