LLM 在滑块拼图中的原生规划可验证效率极限

研究团队提出一种可验证评估框架，通过无工具和无执行反馈的单次生成来隔离并衡量 LLM 的原生规划能力，将成功加权规划效率分解为执行可靠性、规划协调性与动作经济性（SPE = R × Q × E）。在 4×4 滑块拼图上对 7 种模型条件的 8,400 个规划评测显示，即便全通关的模型在更长步长下经济性也会下降，使长程无辅助规划的局限性得以量化验证。