该论文于2026年6月26日提交至arXiv，编号为arXiv:2606.27757v1，归类于人工智能（cs.AI）领域，作者为Jiajing Zhang及其他五位合作者。论文提出一种以符号反馈驱动的迭代式自我精炼框架，旨在提升大语言模型在长时程规划任务中的鲁棒性与可靠性。
研究背景方面，论文指出大语言模型近年来受到学术界与产业界的广泛关注，但其实际部署仍面临与鲁棒性和可靠性相关的关键安全顾虑。规划被视为智能行为的核心组成部分，然而由于任务本身的复杂性，大语言模型在长时程决策中往往会产生不可行或错误的方案，这使得规划成为大语言模型的一大难点。
在方法设计上，该框架包含三个相互配合的机制。首先，作者引入一种自然语言提示机制，将逻辑符号映射为自然语言描述，使大语言模型能够更好地理解任务约束与语义信息。其次，研究团队设计了一个符号验证器，用于识别规划中的错误，并将这些错误转化为大语言模型可理解的纠正性指令，从而引导模型进行自我精炼。此外，框架还借助一个计划识别器来推断目标的可达性，以便更有效地将规划引向期望的目标。
论文摘要中的实证结果表明，所提出的框架在长时程规划任务中能够持续提升方案的可行性与正确性。作者认为，这一结果凸显了该框架在增强基于大语言模型的规划可靠性方面的有效性，并具有推动构建更值得信赖的人工智能系统的潜力。
需要说明的是，arXiv页面提供的摘要与元数据并未披露具体的实验设置、基准任务、数据集规模或对比基线等细节，因此上述效果结论仍以论文原文的完整实验部分为准。该论文的提交时间为2026年6月26日06:24:33 UTC，全文文件约902 KB。读者可通过arXiv页面获取PDF、实验性HTML版本及TeX源码，论文亦提供DOI链接（待DataCite注册）以及NASA ADS、Google Scholar、Semantic Scholar等引用工具的入口。