深度分析
OCLGen:利用開放閉合列表與生成模型提升測試時規劃推論效能
研究聚焦於生成式規劃模型的測試時推論效率,提出OCLGen結合深度分層開放閉合列表與快速截斷卷展,並以分佈式啟發式排序。實驗顯示在四個規劃領域內,OCLGen在相同計算預算下產生更短計畫,最優解率達87.3%,顯著優於傳統MCTS。此技術有望推動AI規劃效能突破。
深度分析
研究聚焦於生成式規劃模型的測試時推論效率,提出OCLGen結合深度分層開放閉合列表與快速截斷卷展,並以分佈式啟發式排序。實驗顯示在四個規劃領域內,OCLGen在相同計算預算下產生更短計畫,最優解率達87.3%,顯著優於傳統MCTS。此技術有望推動AI規劃效能突破。
深度分析
在複雜戰場情境下,傳統規劃與驗證面臨可執行性與鑑別力不足。提出IFPV:由MPHA分層生成可執行多平台戰術行動,ACSE於高擬真模擬中以自訂世界模型進行對抗驗證。相較單步LLM,任務成功率提升19.4%,作戰成本降低41.7%。驗證顯示ACSE較規則式驗證提高壓制率31.8%。