Компьютерная наука > Искусственный интеллект [представлен 26 октября 2026 года] Название: Поддающиеся проверке пределы эффективности планирования встроенной системы LLM в слайдинг Pazzles View PDF HTML (экспериментальный) Резюме: Успех планирования при помощи Tool может отражать внешний поиск и проверку, оставляя неоказанную возможность планирования модели нерешенным. Мы изолируем процесс врожденного планирования на основе полных планов, разработанных одним ответом без инструментов или обратной связи. Мы предлагаем поддающуюся проверке систему, которая разукрупняет эффективность плана с учетом его успеха как $mathrm {SPE}=R\times Q\tims E$: надежность исполнения, планирование координации между правовыми планами и экономия в рамках завершенных планов. Проверьте эти факторы с помощью перепроигрывания и подтверждения; совместный балл включает в себя безуспешные попытки. Мы оцениваем 8400 результатов полного плана из семи типовых условий на скользящих головоломках в размере 4\time4 долл. США, контролируя точный горизонт и число препятствий в первичной группе. Модели, которые завершают каждое испытание, все еще становятся менее экономичными на более длинных перспективах, в то время как повышение эффективности завершенных планов может сосуществовать с неудовлетворительным достижением целей. ОИН проводит различие между общей иерархией возможностей, в то время как ее факторы отличают неудачу координации от неэффективного завершения работы. Эта система позволяет количественно…
Поддающийся проверке уровень эффективности планирования встраиваемых LLM в слайдинговых пузырях
arXiv: 261 0,366415v 1 Annuaire Type: новый резюме: успех планирования с помощью средств может отражать внешний поиск и проверку, оставляя неоказанную модель без внимания. Мы изолируем процесс врожденного планирования на основе полных планов, разработанных одним ответом без инструментов или обратной связи. Мы предлагаем поддающуюся проверке систему, которая разукрупняет эффективность плана с учетом его успеха как $mathrm {SPE}=R\times Q\tims E$: надежность исполнения, планирование координации между правовыми планами и экономия в рамках завершенных планов. Проверьте эти факторы с помощью перепроигрывания и подтверждения; совместный балл включает в себя безуспешные попытки. Мы оцениваем 8400 результатов полного плана из семи типовых условий на скользящих головоломках в размере 4\time4 долл. США, контролируя точный горизонт и число препятствий в первичной группе. Модели, которые завершают каждое испытание, все еще становятся менее экономичными на более длинных перспективах, в то время как повышение эффективности завершенных планов может сосуществовать с неудовлетворительным достижением целей. ОИН разделяет общий потенциал
