TESS：用大模型引导搜索做具身任务规划，被 EMNLP 2026 收录
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
具身任务规划要求智能体把复杂任务拆解为一串原子动作。已有基于大模型的做法能生成计划，但在复杂环境与复杂任务下，生成结果的可执行性和正确性仍不理想。另一条路线是经典搜索算法，理论上能完整求解规划问题，但前提是环境完全可观测、状态转移与目标状态已知，而这些条件在一般任务域中往往无法满足。TESS 的思路是让两者互补：用大模型的常识知识弥补搜索所需信息的缺失，使搜索在现实条件下可行且高效。
四个具体环节
方法把大模型嵌入搜索流程的四个位置。第一，把自然语言指令翻译成格式化的目标条件，让搜索有明确的目标表示。第二，在只能看到部分状态的环境中引导探索，减少盲目尝试。第三，实现一个基于规则的世界模拟器，为搜索提供可推演的状态转移。第四，对候选动作空间做剪枝，缩小搜索分支以提升效率。这四步分别对应论文标题中的 Translation、Exploration、Simulation 与 Search，构成一条从指令到动作序列的完整链路。
实验与发布情况
作者在 VirtualHome 与 ALFWorld 两个具身任务仿真环境上做了实验，报告的结果优于对比方案，说明把大模型常识接入搜索在可执行性与正确性上带来改善。论文被 EMNLP 2026 findings 收录，作者表示代码将在给出的链接处公开。对关注具身智能体与任务规划的读者，可重点看四环节中模拟器与动作剪枝的具体设计，以及两个环境上的对比设置。
为什么值得看
把 LLM 常识与经典搜索结合解决具身规划的可执行性问题，附两个常用仿真环境结果与开源承诺，值得做 embodied …
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。