逃跑虽羞但有用：论基于大语言模型的智能体在具身环境中的早期退出行为
计算与语言
2025-09-23 v2 人工智能
摘要
由大语言模型（LLM）驱动的智能体在复杂具身环境中展现出强大的规划和决策能力。然而，此类智能体在多轮交互中常效率低下，频繁陷入重复循环或发出无效命令，导致冗余的计算开销。我们不依赖仅从轨迹学习，而是迈出探索LLM智能体早期退出行为的第一步。我们提出两种互补方法：1.一种内在方法，在生成过程中注入退出指令；2.一种外在方法，通过验证任务完成来确定何时停止智能体试验。为评估早期退出机制，我们引入两个指标：一个衡量冗余步骤的减少作为正面效果，另一个评估进度退化作为负面效果。在4种不同LLM和5个具身环境上的实验表明效率显著提升，智能体性能仅有轻微下降。我们还验证了一种实用策略，即让更强的智能体在早期退出智能体之后协助工作，以相同总步骤数实现更好性能。我们将发布代码以支持进一步研究。
引用
@article{arxiv.2505.17616,
title = {Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments},
author = {Qingyu Lu and Liang Ding and Siyi Cao and Xuebo Liu and Kanjian Zhang and Jinxia Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2505.17616},
year = {2025}
}
备注
EMNLP 2025 - Findings