LLM仍然不能规划，刷屏的OpenAI o1远未达到饱和

AIGC动态2个月前发布 almosthuman2014

309 0 0

文章摘要

OpenAI最近发布的o1模型在通用推理能力方面取得了显著进展，但在规划能力方面仍有待提升。亚利桑那州立大学（ASU）的研究团队通过PlanBench基准测试评估了当前大型语言模型（LLM）的规划能力，包括o1模型。尽管o1在基准测试中性能超过竞争对手，但并未达到饱和状态。

在PlanBench基准测试中，即使是经过RLHF微调的Transformer模型也面临挑战，尤其是在Mystery Blocksworld测试中，没有一个LLM的准确率超过5%。这表明LLM本质上仍然是近似检索系统。测试还发现，自然语言提示比PDDL表现更好，且one-shot提示并非zero-shot的严格改进。

o1模型尝试通过结合底层LLM和RL训练系统来补充类似System 2的能力，但具体机制尚不清楚。在静态PlanBench测试集上，o1正确回答了97.8%的Blocksworld实例，但在Mystery Blocksworld上，准确率降至52.8%。这表明o1在规划任务上的性能仍然不够稳健。

在更大的Blocksworld问题上，o1的性能迅速下降，准确率仅为23.63%。此外，在不可解决的实例上，o1仅正确识别了27%的实例为无法解决。在随机Mystery Blocksworld上，这些数字更糟，只有16%的案例被正确识别为无法解决。

研究团队还发现，o1-preview在每个问题使用的推理token数量方面受到限制，这可能限制了其整体准确性。如果o1的正式版本消除了这一限制，可能会提高准确性，但也可能导致推理成本不可预测。相比之下，o1-mini虽然成本较低，但性能通常较差。

总之，尽管o1模型在通用推理能力方面取得了显著进展，但在规划能力方面仍有待提升。LLM在规划任务上的表现仍然不够稳健，需要进一步的研究和开发。