管理虚拟实验室规划中LLM生成程序性知识的不确定性

arXiv cs.AI 论文
llm procedural-knowledge uncertainty virtual-laboratory education planning knowledge-representation

摘要

本文介绍了一个原型框架，用于管理虚拟实验室规划中LLM生成的程序性知识的不确定性，通过使用结构化领域表示来修复不确定的程序步骤。

arXiv:2605.26333v1 公告类型：新 摘要：教育虚拟实验室可以使实验培训更具可扩展性、适应性和可访问性，尤其是当学生有限制地使用物理实验室设施时。然而，编写新的模拟实验室程序仍然成本高昂：教育工作者必须描述新设备，定义仪器和材料如何相互作用，并指定可在虚拟环境中执行或评估的有效程序流程。大型语言模型可以通过生成详细的实验程序来协助这一编写过程，但其输出不应被视为可直接执行的计划。它们可能会遗漏必要的操作，步骤顺序错误，或者产生逻辑上不正确或与实验室设备不兼容的指令。本文介绍了一个原型框架，用于管理虚拟实验室规划中LLM生成的程序性知识的不确定性。该框架旨在减少程序性不确定性，通过使用结构化领域表示和不确定的LLM生成的状态转换样本，提取候选程序规则，将其转换为显式且可检查的约束，并使用它们来修复不确定的程序步骤。虽然动机领域涉及教育虚拟实验室，但底层问题更为普遍：管理结构化交互环境中动作规划的不确定程序性知识。我们在一个虚拟实验室领域中说明了这种方法，该领域涉及实验室仪器、容器、工具和物料转移操作。
查看原文
查看缓存全文

缓存时间: 2026/05/27 09:04 

# 管理虚拟实验室规划中大语言模型生成程序性知识的不确定性
来源：https://arxiv.org/abs/2605.26333
查看PDF (https://arxiv.org/pdf/2605.26333)

> **摘要**：教育类虚拟实验室可以使实验培训更具可扩展性、适应性和可访问性，尤其是在学生接触物理实验室设施机会有限的情况下。然而，编写新的模拟实验室程序仍然成本高昂：教育工作者必须描述新设备，定义仪器与材料的交互方式，并指定可在虚拟环境中执行或评估的有效程序流程。大语言模型可以通过生成详细的实验程序来辅助这一编写过程，但其输出不应被视为可直接执行的计划。它们可能遗漏必要操作、步骤排列顺序错误，或产生逻辑不正确、与实验室设备不兼容的指令。本文提出了一种原型框架，用于管理虚拟实验室规划中大语言模型生成的程序性知识的不确定性。该框架旨在通过使用结构化领域表示和不确定的大语言模型生成的状态转换样本，提取候选程序规则，将其转化为明确且可检查的约束，并用这些约束修复不确定的程序步骤，从而降低程序不确定性。尽管所涉及的领域是教育类虚拟实验室，但底层问题更为普遍：即在结构化交互环境中管理用于行动规划的不确定程序性知识。我们通过一个包含实验室仪器、容器、工具和物料转移操作的虚拟实验室领域来演示该方法。

## 提交历史

来自：Polychronis Karpodinis \[查看邮件 (https://arxiv.org/show-email/3749a077/2605.26333)\] **\[v1\]**2026年5月25日星期一 21:12:47 UTC (486 KB)

相似文章