In dieser Arbeit wird ein Ansatz namens AutoTAMP vorgestellt, der große Sprachmodelle (LLMs) sowohl als Übersetzer von natürlicher Sprache zu formalen Aufgabenspezifikationen als auch als Prüfer für syntaktische und semantische Fehler in diesen Übersetzungen verwendet.
Der Übersetzungsprozess kann zu fehlerhaften formalen Spezifikationen führen, die entweder syntaktische oder semantische Fehler aufweisen. Um syntaktische Fehler zu beheben, wird eine bestehende iterative Nachfrage-Technik verwendet, die auf einem externen Syntaxprüfer basiert. Um semantische Fehler zu beheben, wird eine neuartige autoregressive Nachfrage-Technik vorgestellt, bei der das LLM verwendet wird, um die Ausrichtung zwischen der ursprünglichen Anweisung und dem generierten Plan zu überprüfen.
Die Experimente in verschiedenen 2D-Aufgabendomänen, einschließlich mehrerer Mehrbenutzer-Aufgaben, zeigen, dass der AutoTAMP-Ansatz deutlich besser abschneidet als direkte LLM-Planungsansätze, insbesondere bei Aufgaben mit harten geometrischen und zeitlichen Beschränkungen. Darüber hinaus wird gezeigt, dass die automatische Korrektur von syntaktischen und semantischen Fehlern die Erfolgsquote signifikant verbessert.
In eine andere Sprache
aus dem Quellinhalt
arxiv.org
Wichtige Erkenntnisse aus
by Yongchao Che... um arxiv.org 03-25-2024
https://arxiv.org/pdf/2306.06531.pdfTiefere Fragen