大语言模型距离真正的搜索还有多远？关于效率、完备性与内在能力的全面研究

搜索在各领域的问题求解中扮演基础角色，大多数现实世界决策问题均可通过系统性搜索求解。借鉴近期关于搜索与学习的讨论，我们从三个视角系统地探索搜索与大语言模型（LLMs）之间的互补关系。首先，我们分析学习如何提升搜索效率，并提出搜索即学习（SeaL）框架，该框架利用LLMs实现高效且有效的搜索。其次，我们将SeaL扩展至SeaL-C，以确保搜索过程中的严格完备性。我们在三个真实规划任务上的评估表明，SeaL在实现接近完美准确率的同时，相比传统方法将搜索空间最多减少了99.1%。最后，我们通过探究LLMs能否独立发展搜索能力，来考察LLMs距离真正的搜索还有多远。我们的分析揭示，尽管当前LLMs在复杂问题中难以进行高效搜索，但引入系统性搜索策略能显著增强其问题求解能力。这些发现不仅验证了我们方法的有效性，也凸显了提升LLMs搜索能力以应用于现实世界的必要性。