本研究提出了ACPBench Hard，以评估现有模型在规划任务中的推理能力。结果显示，最先进的语言模型在这些任务中的准确率未超过65%，表明仍需改进。

DeepMind的新研究“Mind Evolution”结合遗传算法，将大语言模型在规划任务中的成功率从5%提升至95%。该方法无需微调，显著降低成本，能够直接处理自然语言问题，避免了传统方法的复杂性。实验结果显示，Mind Evolution在各种任务中表现优异，尤其在复杂任务中更具优势。

亚利桑那州立大学的研究表明，o1-preview在复杂规划任务中表现优于o1-mini，尤其在Blockworlds任务中准确率达到98%，而mini仅为56.6%。尽管o1-preview在规划能力上表现出色，但在识别不可解问题和处理长任务时仍有不足，且成本较高，需权衡性能与成本。

本文介绍了世界上第一个真实世界的自动驾驶数据集和基准测试，用于测试机器学习规划器在多样化行驶场景中的能力。该研究分析了基于机器学习和传统方法之间的差距。