LLMs al 94% de precisión: Planificación simbólica con PDDL-INSTRUCT y CoT lógico

Los Modelos de Lenguaje Grandes (LLMs), a pesar de su éxito en diversas tareas, han mostrado una limitación crítica en su capacidad para realizar planificación simbólica estructurada, un requisito fundamental en dominios que utilizan representaciones formales como PDDL (Planning Domain Definition Language). En este contenido, revelamos PDDL-INSTRUCT, un novedoso marco de ajuste por instrucciones que enseña a los LLMs a razonar rigurosamente sobre la aplicabilidad de las acciones, las transiciones de estado y la validez de los planes mediante el Razonamiento de Cadena de Pensamiento Lógico (CoT). Al descomponer la verificación de la planificación en pasos de inferencia explícitos, PDDL-INSTRUCT permite a los modelos autoevaluar y corregir sus procesos. Los resultados demuestran que los modelos ajustados por instrucción con CoT superan significativamente a los modelos base, alcanzando tasas de precisión de planificación de hasta el 94% en benchmarks estándar, lo que representa una mejora absoluta del 66%. Descubre cómo esta innovación está cerrando la brecha entre las capacidades generales de razonamiento de los LLMs y la precisión lógica necesaria para sistemas de planificación de IA confiables.https://arxiv.org/pdf/2509.13351