部分観測下におけるテキストベースの探索とナビゲーションのためのLLM

要旨: 未知のレイアウトにおける探索と目標指向型ナビゲーションは、点検、物流、そして捜索救助において中核となる課題です。本研究では、大規模言語モデル（LLM）が、部分観測のもとで
\emph{text-only} コントローラとして機能できるか、すなわちコード実行、ツール、またはプログラム合成を用いずに実現できるかを問いかけます。固定されたASCIIのグリッドワールドにおいて、オラクルによる位置特定を備えた再現可能なベンチマークを導入します。各ステップではエージェント周囲の局所的な 5\times5 のウィンドウのみが明らかになり、モデルは
\texttt{UP/RIGHT/DOWN/LEFT} のいずれかを選択する必要があります。現代の9つのLLM（オープン/プロプライエタリ、密なモデル／Mixture of Experts、指示チューニング／推論チューニング）を対象に、難易度が増していく3つのレイアウトにまたがる2つのタスクで評価を行います。すなわち、 \emph{探索}（明らかになったセル数の最大化）と、 \emph{ナビゲーション}（最短経路でゴールに到達）です。実験結果は、 \emph{成功率}、正規化されたカバレッジなどの \emph{効率}、オラクルに対する \emph{経路長} を含む定量指標、ならびに定性的分析によって評価されます。推論チューニング済みモデルは、すべてのレイアウトにおいてナビゲーションを確実に完了しますが、オラクルの経路よりは効率が低いままです。プロンプト内での少数例（few-shot）のデモは主に、無効な移動を減らし経路を短くすることで、これらの推論チューニングモデルを助けます。一方で、従来の密な指示モデルは一貫性に欠けます。部分観測のもとでループを引き起こしうる特徴的な行動事前（UP/RIGHT）も観察されます。全体として、トレーニングのレジメンとテスト時の熟考は、単純な生のパラメータ数よりも制御能力をよりよく予測します。これらの知見は、古典的なオンラインプランナとの軽量なハイブリッド化が、実運用可能な部分地図システムを展開するための実用的なルートになりうることを示唆しています。