規(guī)劃行動方案以實現(xiàn)所需狀態(tài)的能力一直被認為是智能體的核心能力。隨著大型語言模型（LLM）的出現(xiàn)，人們對 LLM 是否具有這種規(guī)劃能力產(chǎn)生了極大的興趣。

最近，OpenAI 發(fā)布了 o1 模型，一舉創(chuàng)造了很多歷史記錄。o1 模型擁有真正的通用推理能力。在一系列高難基準測試中展現(xiàn)出了超強實力，相比 GPT-4o 有巨大提升，讓大模型的上限從「沒法看」直接上升到優(yōu)秀水平，不專門訓練直接數(shù)學奧賽金牌，甚至能在博士級別的科學問答環(huán)節(jié)上超越人類專家。

那么，o1 模型是否具備上述規(guī)劃能力？

2022 年，來自亞利桑那州立大學（ASU）的研究團隊開發(fā)了評估 LLM 規(guī)劃能力的基準 ——PlanBench。現(xiàn)在，亞利桑那州立大學研究團隊全面審視了當前 LLM 在 PlanBench 上的表現(xiàn)，包括 o1 模型。值得注意的是，雖然 o1 在基準測試上性能超過了競爭對手，但它還遠未達到飽和狀態(tài)。

• 論文標題：LLMs Still Can't Plan; Can LRMs? A Preliminary Evaluation of OpenAI's o1 on PlanBench
• 論文地址：https://arxiv.org/pdf/2409.13373

SOTA 性能的 LLM 仍然不會規(guī)劃

對于 vanilla LLM（通過 RLHF 微調(diào)的 Transformer 模型）來說，PlanBench 基準仍然充滿挑戰(zhàn)，即使在最簡單的測試集上，模型表現(xiàn)也不佳。

下表為當前和前一代 LLM 的結(jié)果，測試領(lǐng)域包括 Blocksworld 和 Mystery Blocksworld（混淆版本），其中前者是在 600 個 3 到 5 個 block Blocksworld 問題靜態(tài)測試集上運行的結(jié)果，后者是在 600 個語義相同但語法混淆的實例（稱之為 Mystery Blocksworld）上的運行結(jié)果。

在這些模型中，LLaMA 3.1 405B 在常規(guī) Blocksworld 測試中表現(xiàn)最佳，準確率達到 62.6%。然而模型在 Mystery Blocksworld 的表現(xiàn)卻遠遠落后——沒有一個 LLM 在測試集上達到 5%，并且在一個領(lǐng)域上的性能并不能清楚地預測另一個領(lǐng)域的性能。

這種結(jié)果揭示了 LLM 本質(zhì)上仍是近似檢索系統(tǒng)。

更進一步的，作者測試了自然語言提示和 PDDL，發(fā)現(xiàn) vanilla 語言模型在前者上的表現(xiàn)更好。

作者還發(fā)現(xiàn)，與之前的說法相反，one-shot 提示并不是對 zero-shot 的嚴格改進。這在對 LLaMA 系列模型的測試中最為明顯。

值得注意的是，基準測試的原始迭代沒有考慮效率，因為 vanilla LLM 生成某些輸出所花費的時間僅取決于該輸出的長度，而與實例的語義內(nèi)容或難度無關(guān)。不過作者也對各個模型的提示成本進行了比較，如表格 4 所示。

從近似檢索到近似推理：評估 o1

標準自回歸 LLM 通過近似檢索生成輸出，但這些模型面臨一個問題，即在 System 1 任務中表現(xiàn)出色，但在對規(guī)劃任務至關(guān)重要的類似 System 2 的近似推理能力上表現(xiàn)不佳。

回顧之前的研究，從 LLM 中獲取可靠規(guī)劃能力的最佳方法是將它們與生成測試框架中的外部驗證器配對，即所謂的 LLM-Modulo 系統(tǒng)。o1 嘗試以不同的方式為底層 LLM 補充類似 System 2 的能力。

據(jù)了解，o1 是將底層 LLM（很可能是經(jīng)過修改的 GPT-4o）結(jié)合到 RL 訓練的系統(tǒng)中，該系統(tǒng)可指導私有 CoT 推理軌跡的創(chuàng)建、管理和最終選擇。但是目前確切的細節(jié)很少，因此只能推測其確切機制。

作者猜測 o1 和 LLM 之間有兩個主要區(qū)別：一個額外的強化學習預訓練階段和一個新的自適應擴展推理程序。無論如何，從現(xiàn)有細節(jié)可以看出，該模型在本質(zhì)上與以前的 LLM 根本不同。

在原始測試集上評估 LRM：作者在靜態(tài) PlanBench 測試集上測試了 o1-preview 和 o1-mini，結(jié)果如表 2 所示。其中，600 個 Blocksworld 實例范圍從 3 到 5 個 block 不等，需要 2 到 16  個 step 的規(guī)劃才能解決。

結(jié)果顯示，o1 正確回答了 97.8% 的這些實例，但在 Mystery Blocksworld 上，o1 沒有保持這種性能，但也遠遠超過了以前的模型，正確回答了 52.8% 的實例。

標準 LLM  CoT 提示方法很脆弱，無法隨著問題規(guī)模的擴大而穩(wěn)健地擴展。作者在一組較大的 Blocksworld 問題上測試了這些模型（見圖 3）。此集合中的問題長度從 6 到 20 個 block 不等，需要 20 到 40 step 的最佳規(guī)劃。

作者發(fā)現(xiàn)模型性能從之前報告的 97.8% 迅速下降。事實上，在這組實例中，o1-preview 僅實現(xiàn)了 23.63% 的準確率。可以看出雖然這些模型總體上令人印象深刻，但這表明它們的性能仍然遠不夠穩(wěn)健。

在不可解決實例上的性能：接著作者修改了測試集中的一些實例，結(jié)果如表 3 所示。在 Blocksworld 上，只有 27% 的實例被 o1 正確且明確地識別為無法解決。在所有案例中，有 19% 的模型返回一個點或「empty plan」標記，沒有任何解釋或指示無法解決。在其余 54% 的案例中，模型生成了一個完整的規(guī)劃。

在隨機 Mystery Blocksworld 上，這些數(shù)字更糟：16% 的案例被正確識別為無法解決，5% 返回了一個「empty plan」，其余 79% 的案例得到了完整規(guī)劃的回答。

準確率 / 成本權(quán)衡與保證

研究團隊發(fā)現(xiàn)：o1-preview 似乎在每個問題使用的推理 token 數(shù)量方面受到限制。如果 o1 的正式版本消除了這一限制，可能會提高整體準確性，但也可能導致更不可預測（甚至高得離譜）的推理成本。o1-mini 雖然更便宜，但通常性能較差。