LLMs Can’t Plan, But Can Help Planning in LLM-Modulo Frameworks

更多精彩内容，请关注微信公众号：NLP分享汇

原文链接：LLMs Can’t Plan, But Can Help Planning in LLM-Modulo Frameworks

---

你是怎么理解LLM的规划和推理能力呢，来自亚利桑那州立大学最近的一篇论文，对LLM的规划、推理能力提出了一些新看法。

在看这篇文章时，你不妨可以带入以下角色进行理解：

• 乐观型：认为只要采用了合适的提示策略，LLM就能很好的完成任务

• 悲观型：LLM在规划，或者推理任务唯一的好处是将问题从一种句法格式翻译成另一种，真正解决问题还需要靠外部符号求解器。

为什么会觉得LLM不能规划？

从丹尼尔·卡尼曼的《Thinking fast and slow》看LLM

图1 An informal account of viewing LLM

图1提供了一个非正式的视角，将大型语言模型（LLMs）视为一个巨大的外部非真实记忆（external non-veridical memory），充当伪系统1（pseudo System 1）。这一视角旨在解释LLMs在规划和推理任务中的作用及其局限性。

在心理学中，系统1通常指的是快速、直觉和自动的认知过程，而系统2则涉及缓慢、逻辑和努力的认知过程。这里，作者使用Kahneman（2011）的理论《Thinking fast and slow》，将LLMs比作一个巨大的伪系统1，意味着它们能够快速生成文本和响应，但并不涉及深层次的推理或规划。

为什么LLM不能规划？

自主模式下的限制：尽管最初有关LLMs规划能力的说法颇为乐观，但近期的多项研究一致表明，在自主模式下，LLMs实际上无法生成可执行的计划。即使是表现最佳的LLM（GPT-4），平均也只有大约12%的生成计划是无误且能达到目标的。这说明LLM可能只是做近似的规划检索，而不是真正的规划。

无法自我验证：LLM无法验证自己生成的规划，因此无法通过自我批评改进规划。尽管LLM不能一次性生成正确的解决方案，但通过迭代提示，它们可能会通过自我批评提高准确性。但研究表明，LLM在验证解决方案方面并不比生成解决方案表现更佳。

知识获取与执行规划混淆：规划任务需要的不仅仅是规划领域知识，还需要能够将这些知识组装成一个可执行的规划，考虑到目标与资源的相互作用。LLM通常在提取规划知识方面做的很好，但这并不意味着它们能够生成可执行的规划。

对自我改进的误解：LLM可以通过生成规划、自我批评规划，然后使用这些规划来自我改进（例如通过合成数据微调）。但是，由于LLM无法验证自己的解决方案，这种自我改进的方法实际上是不可行的。

LLM-Modulo

有了动机，自然要提出解决方案，LLM-Modulo就是论文提出用于解决LLM无法规划的框架。如下图2就是LLM-Modulo的模型架构。

图2 LLM-Modulo

LLM-Modulo架构就是一个“生成-测试-批评”的循环。通过让LLM生成候选规划，并利用一系列外部验证器对这些规划进行评估和反馈，确保了规划的准确性和可靠性。

语言模型生成创意和潜在解决方案方面表现出色，而外部验证器则严格检查规划是否满足所有必要的约束条件。这种结合神经网络和符号逻辑的方法，不仅提高了规划任务的准确性，还增强了框架的灵活性、扩展性，使其能够适应各种不同规划场景。

该框架另一个优势是支持人机协作。领域专家在整个过程发挥至关重要的作用，它们的知识用于指导和细化LLM生成的规划，确保规划符合实际需求和约束。

模型架构流程

• Refined Specification：用户有大量问题规范（Promblem Specification）需要去改进提升，问题规范可能是完整/部分/抽象的。LLM接收一个问题规范或描述，这个问题规范是对所需要解决的任务的描述，可能包含目标、约束、初始状态和可能的动作等信息。

• LLM Response：LLM根据接收到的问题规范生成一个/多个候选计划，这些计划是解决问题的潜在方案，它们可能不完全正确或可行。

• 外部验证环节

  • Critics（外部验证器）：通过Hard/Soft Critics评估LLM生成的规划、推理候选。

    • Hard Critics：基于模型的验证器。评估计划是否满足所有硬性约束。如因果正确性等。

    • Soft Critics：可能基于LLM，评估计划的其他方面，如风格，可解释性或偏好符合性等。

    • 如果所有的Critics都认可当前候选方案，那么将被认为是返回给用户的有效解决方案。如果不认可，则提供不同程度的反馈

      • No, try again

      • No, try again, here is one things wrong with the current plan

      • No, try again, here are all the things wrong with the current plan

  • Reformatter（重组器）

    • 该组件将LLM生成的候选计划转为外部验证器所需的特定语言形式。由于不同的验证器可能需要特定格式的输入，Reformatter负责将LLM的输出调整为这些特定格式，以便critics能够有效评估计划的有效性和正确性。

• Fine-tuning & Synthetic Data

  • 一但LLM-Modulo框架解决了一个规划实例，该解决方案就可以添加到合成数据语料库中。该数据语料间歇性地用于微调LLM，以此提升模型生成规划的能力

  • 虽然微调不能保证生成的解决方案正确性，但它可能会提高LLM猜测更接近Critics审查候选时被接受的机会。

为什么不用LLM作为外部验证器？

要解释这个问题，可以引用该篇论文作者在23年发表的论文《Can Large Language Models Really Improve by Self-critiquing Their Own Plans?》进行解释。感兴趣的具体看看文章：https://arxiv.org/pdf/2310.08118。

自我批评会降低规划生成的性能，特别是与具有外部验证器和LLM验证器的系统相比。LLM会产生大量错误信息，从而损害系统的可靠性。

表1 Comparison between various plan generation methods on the Blocksworld domain

总之，这篇论文主张大型语言模型（LLMs）自身无法执行复杂的规划任务，但可以在LLM-Modulo框架内，与外部基于模型的验证器相结合，发挥辅助规划的作用，通过这种神经符号集成方法，提高规划和推理任务的灵活性和表达力。