大语言模型的零样图目标识别
人工智能
2026-05-18 v1
摘要
大语言模型最近在经典规划领域达到了与经典规划器相当的表现，但这种能力依赖于利用世界知识而非真正的符号推理。目标识别是一项互补的归纳任务，结构上更适合 LLM 的优势：它涉及评估与世界知识的一致性，而非生成新的动作序列。本文对前沿 LLM 作为目标识别器在关键经典 PDDL 基准测试上的零样图评估进行了首次系统化研究。我们的结果表明，LLM 在目标识别方面的能力水平不均：一些模型随证据积累而扩展，接近基于地标的准确率；而另一些模型则不论证据积累多少，始终依赖世界知识先验。对模型推理痕迹的定性分析揭示，这种差异反映了证据整合的根本差异，而非领域熟悉程度。这些发现将目标识别定位为 LLM 基础规划知识的原则性基准。
引用
@article{arxiv.2605.15333,
title = {Zero-Shot Goal Recognition with Large Language Models},
author = {Kin Max Piamolini Gusmão and Nathan Gavenski and Nir Oren and Felipe Meneguzzi},
journal= {arXiv preprint arXiv:2605.15333},
year = {2026}
}
备注
9 pages, 1 figure, 1 table; appendix with 8 figures and 2 code listings (29 pages total); submitted to NeurIPS 2026