GridRoute：面向网格环境中基于LLM的带基本方向移动路径规划的基准测试
人工智能
2025-08-14 v2
摘要
大型语言模型（LLMs）的最新进展展示了其在规划和推理任务中的潜力，为经典寻路算法提供了灵活的替代方案。然而，现有的大多数研究侧重于LLMs的独立推理能力，而忽略了LLMs与传统算法之间潜在的协同作用。为了填补这一空白，我们提出了一个全面的评估基准GridRoute，以评估LLMs如何利用传统算法。我们还提出了一种新颖的混合提示技术，称为思想算法（AoT），它将传统算法的指导引入提示中。我们的基准评估了参数量从7B到72B的六种LLMs在不同地图尺寸下的表现，评估了它们在不同大小网格环境中的正确性、最优性和效率方面的性能。我们的结果表明，AoT在所有模型尺寸上都显著提升了性能，特别是在更大或更复杂的环境中，这表明了一种解决路径规划挑战的有前景的方法。我们的代码已在 https://github.com/LinChance/GridRoute 开源。
引用
@article{arxiv.2505.24306,
title = {GridRoute: A Benchmark for LLM-Based Route Planning with Cardinal Movement in Grid Environments},
author = {Kechen Li and Yaotian Tao and Ximing Wen and Quanwei Sun and Zifei Gong and Chang Xu and Xizhe Zhang and Tianbo Ji},
journal= {arXiv preprint arXiv:2505.24306},
year = {2025}
}
备注
8 pages