论文
解构空间复杂性：面向LLM空间推理的层次化分解
Deconstructing Spatial Complexity: Hierarchical Decomposition for LLM Spatial Reasoning
摘要
LLM在通用语言理解与推理方面已展现出出色的能力。然而，它们在空间推理上持续表现不佳，严重限制了其应用，尤其是在具身智能领域。受分层强化学习成功的启发，本文提出一种面向LLM空间推理的层次化任务分解新方法。我们的方法通过识别关键中间状态并生成简化的子环境，引导LLM将复杂任务分解为可处理的子任务。然而，我们发现LLM因空间先验不足而常常无法推导出最优中间状态，导致次优的任务分解。为解决这一局限并增强其规划能力，我们提出MCTS引导的组相对策略优化（M-GRPO），将LLM的先验预测概率与其认知不确定性一并纳入，重构了UCT公式。此外，我们实现了更细粒度的优势函数，使模型能够学习最优路径规划。实验结果表明，我们的方法显著提升了LLM在导航、规划和策略博弈等空间任务上的性能，取得了最先进的结果。这项工作为LLM走向真实世界应用铺平了道路。
