PDDLCoder: Framework Agentico Migliora la Pianificazione Simbolica Assistita da LLM
Un nuovo framework chiamato PDDLCoder è stato sviluppato da ricercatori per migliorare l'affidabilità dei modelli linguistici di grandi dimensioni (LLM) in compiti che richiedono pianificazione a lungo termine. Questo framework genera, valuta e perfeziona sistematicamente specifiche PDDL (Planning Domain Definition Language) basate su input in linguaggio naturale, affrontando sfide comuni come incongruenze logiche e piani irrilevanti. Per facilitare la valutazione, i ricercatori hanno anche introdotto NL-pddlgym, un dataset di benchmark con 711 scenari di pianificazione in 23 domini, completo di ambienti gym eseguibili per la verifica automatica dei piani. I test condotti sul set di test NL-pddlgym, che include 106 problemi, mostrano l'efficacia del framework. Questa ricerca è documentata in un articolo disponibile su arXiv (arXiv:2608.16637), segnando un passo significativo verso benchmark standardizzati nella pianificazione simbolica assistita da LLM.
Fatti principali
- PDDLCoder è un framework agentico per la generazione di PDDL da linguaggio naturale.
- Genera, analizza e perfeziona iterativamente specifiche di pianificazione.
- NL-pddlgym è un nuovo dataset di benchmark con 711 problemi di pianificazione in 23 domini.
- Il benchmark include ambienti gym eseguibili per la verifica automatica.
- Gli esperimenti sono stati condotti sul set di test NL-pddlgym contenente 106 problemi.
- Il framework mira a migliorare l'affidabilità degli LLM nella pianificazione a lungo orizzonte.
- L'articolo è disponibile su arXiv con ID 2608.16637.
- La ricerca affronta la mancanza di benchmark standardizzati con verifica automatica.
Entità
Istituzioni
- arXiv