LLM-Planner: 대형 언어 모델을 이용한 현장 기반 소수 샷 계획 수립

이 연구는 대형 언어 모델(LLMs)을 계획 수립자로 사용하여 자연어 지시를 따라 복잡한 작업을 시각적으로 인지된 환경에서 수행할 수 있는 구현 에이전트를 만드는 것에 중점을 둡니다. 기존 방법들의 높은 데이터 비용과 낮은 샘플 효율성은 다수의 작업을 수행할 수 있으며 새로운 작업을 빠르게 학습할 수 있는 다재다능한 에이전트 개발을 저해합니다. 본 연구에서는 대형 언어 모델의 능력을 활용해 구현 에이전트를 위한 소수 샷 계획 수립을 가능하게 하는 새로운 방법 LLM-Planner를 제안합니다. 또한 환경에 기반한 계획을 생성 및 갱신하도록 LLM을 물리적 근거와 결합하는 간단하지만 효과적인 방법을 제시합니다. ALFRED 데이터셋 실험 결과, 본 방법은 매우 경쟁력 있는 소수 샷 성능을 달성합니다: 전체 훈련 데이터의 0.5% 미만만 사용했음에도 불구하고, LLM-Planner는 전체 훈련 데이터를 사용해 학습된 최신 기준들과 경쟁력 있는 성능을 보였습니다. 동일한 소수 샷 설정에서는 기존 방법들은 거의 어떤 작업도 성공적으로 완료하지 못합니다. 본 연구는 다수 작업을 빠르게 학습할 수 있고 샘플 효율성이 높은 다재다능한 구현 에이전트 개발의 길을 열었습니다.