GAVEL：用于经验证且高效的长视界LLM任务规划的图世界模型

arXiv 2026 29.6 method, system

TLDR

GAVEL利用显式图世界模型验证并修复LLM生成的长程机器人规划，显著提升BEHAVIOR-1K成功率。

评分理由

The paper presents a clear method for graph-based world modeling in LLM planning, with strong empirical results on BEHAVIOR-1K. However, the abstract lacks comparison to other world model paradigms and does not detail limitations or ablations.

Read-first 评分解释

综合优先阅读分 29.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 37。

近期性 5%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

主题相关性 25%

52.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 15%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：无

可复现性 15%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：232。

关键词评分

world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

generative world model

video world model

深度分析

创新点

提出GAVEL，一个使用显式图世界模型验证和修复LLM生成的长视界机器人规划的框架。
使用图世界模型预测动作后果、检测前置条件/效果违规，并修复可直接从世界模型推导的错误，同时将LLM重新规划仅保留给需要语义推理的错误。
维护关于未观测对象位置的概率信念，并利用这些信念在多任务指令中重新排序剩余子任务，以最小化期望搜索成本。

方法

GAVEL将LLM规划与显式图世界模型相结合，该模型编码对象关系、动作前置条件和效果，以及关于未观测对象位置的概率信念。它在执行前预测LLM生成动作的后果，以检测违规并修复可由模型推导的错误，仅在出现语义错误时才调用LLM重新规划。对于多任务指令，它基于位置分布进行推理以重新排序子任务并降低期望搜索成本。

关键结果

在BEHAVIOR-1K上，涵盖100个单一长视界任务和500个多任务指令，GAVEL搭配Qwen3-8B将单任务成功率从41.2%提升到91.8%，多任务成功率从19.9%提升到92.6%；分布性信念推理相比静态变体减少了约5.4%的行程距离。

技术栈

LLMGraph World Modelprobabilistic belief reasoningBEHAVIOR-1KQwen3-8B

资源

论文