[AI]《Grounded Iterative Language Planning: How Parameterized World Models Reduce Hallucination Propagation in LLM Agents》X Song, Z Cai [Emory University & The University of Tokyo] (2026)

在长程大模型智能体规划领域，幻觉累积是一个导致任务崩溃的难题。过去的方法主要依赖模型自身的推理链（Agent-based World Model）来预测环境变化，本质原因是语言模型生成的虚假状态原子会进入上下文，随时间步推移产生“幻觉传播”，导致后续决策完全脱离物理真实。

本文的核心洞见是：将规划过程看作“灵活推理”与“结构校验”的二元协作。由此，引入 GILP 框架，利用一个轻量化参数模型作为“地面基准”提供预测骨架，并通过一致性门控（Consistency Gate）对比智能体的想象与物理预测；一旦 Jaccard 相似度低于阈值，即触发针对性重提示进行迭代修正。

这项工作真正留下的遗产是证明了极小规模的参数化模型（如 5k 参数的 MLP）即可有效锚定大模型的语义逻辑。它为后来者打开的新门是“LLM-modulo”混合架构，即用可测量的物理信号约束不可测的语言推理，但尚未跨过的门槛是如何在缺乏环境真值轨迹的冷启动场景下快速构建高质量的参数化基准。

arxiv.org/abs/2606.27806 #机器学习# #人工智能# #论文# #AI创造营#