研究用形式语义检验 LLM 智能体规划能力，在线成功率仅 40%
原文标题：Testing the Planning Claims of LLM-Based Agents against Formal Semantics
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文以隐藏 PDDL 模型为形式语义基准，在五个领域、四个模型、六种提示策略与三种智能体架构下检验 LLM 智能体的规划声明。最佳配置离线解决 78% 可解任务，在线仅 40%；不可解任务识别率低于 10%，更重的提示策略消耗 5 至 22 倍 token 却无明显收益。
- 问题
- LLM 智能体的规划能力多靠端到端成功率或 LLM 评审支撑，缺乏形式语义验证。
- 方法
- 以隐藏 PDDL 模型为基准，跨五个领域、四个模型、六种提示策略与三种架构检验动作轨迹。
- 结果
- 最佳配置离线解决 78% 可解任务，在线仅 40%；不可解任务识别率低于 10%；重提示策略耗 5 至 22 倍 token 无收益。
- 影响
- 提示策略与架构对规划提升有限，模型选择更关键，评估智能体规划应基于可验证的动作轨迹。
深读 · 结论先行AI 生成展开看要点与影响 ↓
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。