CM-DPO：面向 LLM 规划的约束边际直接偏好优化
原文标题：CM-DPO: Constraint-Margin Direct Preference Optimization for LLM Planning
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。
研究者提出约束边际直接偏好优化（CM-DPO），用基于符号验证器的连续边际替代 DPO 的二元偏好信号，并按违规严重程度加权，同时通过词典序目标分离硬约束与软约束。在 TravelPlanner、NaturalPlan 与 PlanBench 上，8B 模型微调后达到 89.2% 通过率，性能匹配多智能体系统且延迟降低 13 倍。
- 问题
- DPO把不同严重程度的约束违规等同处理，且偏好对存在长度与风格偏差。
- 方法
- 用符号验证器给出的连续边际替代二元偏好信号并按违规严重度加权，通过词典序目标分离硬软约束。
- 结果
- 8B模型在TravelPlanner、NaturalPlan、PlanBench上达89.2%通过率、93.4%求解率，匹配多智能体系统且延迟低13倍，未见过的Blocksworld上超GPT-4o 9.2个点。
- 影响
- 让单模型规划器以更低延迟替代多智能体方案，适合对成本与响应时间敏感的规划类产品。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CM-DPO用符号验证器连续边际替代二元偏好，8B模型达89.2%通过率、延迟降13倍。
- •DPO把1美元与1000美元的预算超支视为同等违规，CM-DPO改用确定性符号验证器给出的连续边际并按违规严重程度加权
- •通过词典序目标分离硬约束与软约束，硬约束不与偏好做权衡
- •用程序化生成的约束画像DCCG与推理教师最小编辑蒸馏RT-MED构造低偏差偏好对，框架名为SynPlan-R
- •TravelPlanner、NaturalPlan与分布外PlanBench上，8B模型微调后达89.2%通过率、93.4%求解率，匹配多智能体系统且延迟低13倍
- •在未见过的Blocksworld上超出GPT-4o 9.2个百分点
为什么重要：若8B模型能以低13倍延迟达到多智能体系统的规划水平，规划类应用的架构选择与成本结构可能被重写。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
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。