本文研究了大型语言模型（LLMs）在常识规划任务中的能力，发现其自主规划能力有限，但在启发式模式下能改善其他智能计划器的搜索过程。研究提出了新的算法推理策略，探索了LLMs在复杂任务中的推理能力，并通过实验验证了其在扫雷等任务中的表现。结果显示，LLMs在多步骤逻辑推理中存在困难，强调了进一步研究的必要性。

大型语言模型在常识规划中自主生成可执行计划的能力有限，成功率仅约3%，更适合翻译和启发式辅助。研究还涉及图推理、空间推理及人机协作规划，并提出改进提示与评估框架。

该文综述大语言模型在规划与空间推理中的研究。GPT-4在少样本条件下展现规划潜力，但微调模型难以泛化；LLM擅长将自然语言目标翻译为计划语言，却在数字与物理推理上易失败且对提示敏感。多智能体框架、LLM+P结合经典规划器、LLM-Planner及PRER数学代理等可提升任务表现；在常识规划中LLM自主规划能力有限，但可作为启发式改进搜索。