KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-22
SLoSa: Kleine, stromsparende und sichere Foundation-Modelle für die robotische Aufgabenplanung
Originaltitel: SLoSa: Small, Low-Power, and Safe Foundation Models for Robotic Task Planning
SLoSa befasst sich mit der sicheren robotischen Aufgabenplanung mithilfe von Planern auf Foundation-Modell-Basis, die klein, stromsparend und sicherheitsbewusst sind, und verbindet dabei die flexible Aufgabenschnittstelle von LLMs mit den formalen Garantien klassischer Planer. Das Framework erstellt einen sicherheitsbewussten Datensatz aus klassischen Planern, einem fortgeschrittenen Teacher-LLM und formalen Verifizierern und wendet anschließend Supervised Fine-Tuning gefolgt von Reinforcement-Learning-Fine-Tuning an, das von einer verifikationsbasierten Reward Machine gesteuert wird. Über vier PDDL-Domänen hinweg hebt verifier-geführtes Post-Training die Erfolgsquote kompakter 4B-14B-Planer auf 70.5-76.0%, und der INT4-Einsatz auf einem Jetson Orin erfordert durchschnittlich 17.85-26.41 W an Leistung.