通过自批判增强LLM规划能力

本文展示了一种改进大型语言模型（LLM）在规划任务中的新方法。它侧重于内在的自我批判，即LLM在不依赖外部验证器的情况下批判自己的答案。研究表明，在Blocksworld、Logistics和Mini-grid等规划基准测试中，性能得到了显著提升，超过了强大的基线。该方法侧重于内在的自我改进，这是一个关键贡献，表明其适用于不同的LLM版本，并可能通过更复杂的搜索技术和更强大的模型带来进一步的进步。

• •LLM可以通过内在的自我批判来提高规划性能。
• •该方法在所考虑的模型上实现了最先进的结果。
• •该方法适用于不同的LLM版本。
• •迭代的修正和改进进一步增强了性能。