Cost-Enhanced Monte Carlo Tree Search for Large Language Model-Assisted Planning

该研究解决了大语言模型（LLM）在成本敏感规划中的不足，提出了一种新的成本增强蒙特卡洛树搜索（CATS）方法，旨在将明确的成本意识引入LLM引导的规划中。实验表明，CATS相较于原始LLM在紧预算条件下表现更加优异，能够更有效地实现预算-aware 的决策制定。

该研究提出了一种新的成本增强蒙特卡洛树搜索（CATS）方法，以改善大语言模型在成本敏感规划中的不足。实验结果表明，CATS在紧预算条件下优于原始LLM，更有效地实现预算意识的决策。

model 决策大语言模型成本增强蒙特卡洛树搜索预算意识