2026 年 10 月 21 日，一篇编号 arXiv:2610.26964v1 的论文在 cs.AI 版块发布，在七个 STRIPS 规划域上把“结构复杂度”与“符号语义解读成本”拆开测量，发现零训练的 delete-relaxation 启发式 h_add 在留出域上预测实例难度的平均 Spearman 秩相关达 0.931，优于学习型难度预测器。这一结果意味着，LLM 规划失败的主因更可能写在状态空间结构里，而不在谓词名称的可读性上，现有只报成功率的基准无法区分这两种成
2026 年 10 月 21 日 04:00（UTC），论文《When Planning Problems Become Hard for LLMs: Separating Structural Complexity from Semantic Interpretability》以“new”类型出现在 arXiv cs.AI 版块，编号 arXiv:2610.26964v1。研究选取七个 STRIPS 规划域作为测试平台，用广度优先搜索（BFS）求出每个实例的最优解长度，并以此作为结构难度的客观标签：最优解越长，意味着搜索空间越难被覆盖。论文的核心主张是把两类难度分开：一类来自状态空间本身的规模与耦合，另一类来自模型对谓词、对象等符号词表的语义解读成本，而现有基准通常把二者混入同一个成功率数字。在“不解题、只预测难度”的设置下，作者对比了零训练的 delete-relaxation 启发式 h_add 与学习型难度预测器：h_add 在留出域上取得平均 Spearman 秩相关 |ρ| = 0.931，优于全部学习型对照方法。该设置直接带来的结果是，难度评估既不需要调用求解器，也不需要域内训练数据，并且可以跨域迁移到未见过的
LLM 在经典规划上的表现长期不佳，PlanBench 一类基准反复记录了这一差距，但基准输出的信息只有成功率。成功率低有两种完全不同的成因：题目本身在结构上就难，或者模型读不懂 Blocksworld 里那些谓词和对象的含义。经典规划社区早在 2000 年前后就给出了其中一半的答案——delete-relaxation 启发式（h_add、h_ff）用多项式时间估算“距离目标还有多远”，长期作为启发式搜索的排序依据，其数值本身就是结构难度的一种低成本估计。另一条线是近年出现的学习型难度预测器，用域内样本训练回归模型来预估求解成本。这篇论文的位置在两条线之间：它不改进求解器，而是把 h_add 从搜索排序工具改用作难度衡量工具，并配上以 BFS 最优解长度为标签的验证协议。时机并非偶然：LLM 被大量接入 agent 系统承担任务编排，规划能力从学术问题变成工程成本问题，团队需要一个不跑完整求解就能判断“这一步该不该交给模型”的
刘工判断：未来 6 到 12 个月内，主流 LLM 规划基准会普遍增加一组“语义剥离”对照实验，把谓词和对象换成无意义编码再跑一遍，因为这篇论文把一件长期被含混处理的事拆开了。
从技术层面看，0.931 这个数字的真正价值在于它来自零训练。h_add 是 2000 年前后定型的 delete-relaxation 启发式，逐实例计算只需多项式时间，不需要任何域内标注；而学习型难度预测器必须先见过同域样本，一旦跨到留出域，优势就消失了。刘工认为，这说明“预测一道规划题有多难”本身是结构问题而非语义问题——难度写在状态空间的拓扑里，不在谓词的名字里。同一个 |ρ|=0.931 按 ρ² 折算约解释 86.7% 的难度排序方差，对一款不使用任何训练数据、只依赖公式计算的启发式来说，这个比例已经接近让人没有理由再训练回归器的程度。
在商业维度上，直接影响是成本如何分配。LLM agent 编排长任务时，绝大多数 token 消耗在结构上非常简单的步骤上；用 h_add 在前端做一次低成本打分，把高结构难度的子任务路由给经典求解器，是一条完全不需要训练的工程路径。这条路不依赖任何标注预算，对小团队尤其友好。
对行业而言，评测标准的变化比方法本身更重要。现在多数基准只报成功率，读者无法判断模型到底是“读不懂符号”还是“无法处理解空间的搜索”，而这两者对应的改进方向几乎相反：前者靠数据与分词，后者靠外部求解器或更长推理链。刘工在工业质检的流程编排场景里也有类似体会——产线任务的难点几乎全在约束结构侧，比如工位顺序、节拍约束、复检回路，语义侧反而简单；模型不认识的对象名对模型来说从来不是问题，真正难的是约束之间的耦合关系。刘工预测，一年内会出现把 h_add 这类启发式作为“难度先验”接入 agent 调度器的开源实现，它不会替代 LLM，只是把最贵的那部分算力省下来。
- 论文覆盖 7 个 STRIPS 规划域，难度标签取自 BFS 最优解长度，而非人工设定或模型成功率。
- 零训练的 h_add 在留出域上的平均 Spearman 秩相关 |ρ| = 0.931，按 ρ² 折算约解释 86.7% 的难度排序方差。
- 对照的学习型难度预测器需要域内训练样本，跨到留出域即失去优势；h_add 的训练样本数为 0，单实例计算为多项式时间级别。
- 主流 LLM 规划基准普遍只报任务成功率这一单一指标，缺少对“结构难度”与“符号可读性”的分离归因。
对行业而言，短期（3 个月）内最可能的变化发生在评测侧：规划类基准会开始附上难度分层，或加入语义剥离对照组，让“读不懂符号”与“无法处理解空间搜索”分别可见，论文之间的可比性也会随之提高。中期（1 年）看，免训练的难度先验有机会成为 agent 调度器的标准组件，与求解器、代码解释器并列，形成“轻量打分、分流处理”的固定架构。对普通用户，短期内的实际体感变化很小——助手在长任务链上仍会失败，只是失败原因会被更准确地归因，产品迭代方向因此更清晰。中期看，用户会感知到“复杂但规则清晰”的任务成功率明显上升，例如排班、行程编排、多步表单填写；而依赖常识与模糊语义的任务改进幅度会小得多，因为那类难度的瓶颈不在结构侧。
值得继续思考的问题：
- 把谓词名替换为无意义编码后的成功率落差，可直接量化语义解读成本在总难度中的占比
- h_add 作为免训练难度先验接入 agent 任务路由，成本收益如何测算
- 以 BFS 最优解长度作为难度标签的局限：它衡量搜索深度，而非人类或模型的推理步数
延伸阅读：2026 主流 AI 大模型对比——不追热点也能长期有用的选型指南，收藏备用。
本条动态来自 arXiv cs.AI（发布于 2026-10-21 04:00:00）。本站为海外 AI 动态的中文转述与观点评论，原文版权归原作者所有。
每日聚合海外 AI 一手动态与深度观点。收藏本站，不错过每一个重要信号；返回首页查看更多。
