本文提出了ViPlan基准，旨在比较符号规划与视觉语言模型（VLM）在视觉规划中的表现。研究评估了九个开源VLM模型，结果显示符号规划在某些任务中优于VLM，而在其他任务中则相反，揭示了该领域的复杂性和模型的局限性。

本研究探讨了在复杂长期决策任务中结合符号规划与变换器策略。通过构建高层符号规划器和低层决策变换器，该框架在不确定的高维环境中生成有效的行动序列，实验结果表明其成功率和策略效率优于纯神经网络方法。