通过行动序列相似性改善大型语言模型的规划能力

本研究解决了大型语言模型（LLMs）在规划任务中的性能问题，具体探讨了如何通过上下文学习（ICL）来提升模型的规划能力。研究提出了一种名为GRASE-DC的方法，该方法通过行动序列相似性进行示例采样和过滤，从而显著提高了多个规划任务的准确性（提高幅度可达11-40个百分点），并在更复杂的问题上实现更好的泛化能力。