TL;DR
- چکیده:.
- مشکلات برنامهریزی هوش مصنوعی کلاسیک در دوره مدل زبان بزرگ (LLM) با تمرکز بر معیارهای اخیر بر میزان.
- موفقیت به جای کارایی برنامه،.
چه اتفاقی افتاد
چکیده:. مشکلات برنامهریزی هوش مصنوعی کلاسیک در دوره مدل زبان بزرگ (LLM) با تمرکز بر معیارهای اخیر بر میزان.
موفقیت به جای کارایی برنامه،. مجدداً مورد بررسی قرار گرفتهاند.
ما میزان استدلال مدلهای مرزی را در مقابل تکیه بر استراتژیهای ساده، اکتشافی و احتمالاً ناکارآمد بررسی میکنیم. ما روی دامنه Blocksworld تمرکز میکنیم که شامل برجهایی از بلوکهای برچسبگذاری شده است که باید از طریق.
مجموعهای از اقدامات اولیه از پیکربندی اولیه به یک هدف منتقل شوند. ما همچنین یک کار معادل رسمی،.
نمودار تعمیم یافته Path-Star ($P^*$) را مطالعه میکنیم تا استدلال توپولوژیکی واقعی را از مقدمات معنایی جدا. کنیم.
ما بهطور سیستماتیک عمق مشکل (ارتفاع برجهای بلوک)،. عرض (تعداد برجها) و ترکیب بندی (تعداد بلوکهای هدف) را دستکاری میکنیم.
LLMهای تقویت شده با استدلال بهطور قابل توجهی بهتر از برنامه ریزان رضایت بخش سنتی عمل می. کنند (بهعنوان مثال،.
LAMA) در پیکربندیهای پیچیده و چند هدفه. اگرچه الگوریتمهای جستجوی کلاسیک با گسترش فضای جستجو به دیوار برخورد میکنند،.
LLMها محدودیتهای بهینه نظری را با دقت تقریباً کامل دنبال میکنند،. حتی زمانی که نکات معنایی خاص دامنه حذف میشوند.
برای توضیح این یافتههای شگفتانگیز،. دو فرضیه را در نظر میگیریم (و شواهدی برای پشتیبانی پیدا میکنیم):.
یک شبیهسازی الگوریتمیفعال که از طریق نشانههای استدلالی اجرا میشود و یک حافظه هندسی که به مدلها. اجازه میدهد توپولوژی $P^*$ را بهعنوان یک هندسه جهانی قابل کشتیرانی نشان دهند،.
و بهطور موثر پیچیدگی ترکیبی نمایی را دور میزنند. هوش مصنوعی (cs.
AI)؛ محاسبات و زبان (cs. CL) استناد بهعنوان: (یا v1 [cs.
AI] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Bernd Bohnet [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
09:. 27:.
16 UTC (870 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.