LLM 智能体能推断世界模型吗？来自智能体自动机学习的证据

本文提出智能体自动机学习框架，旨在评估工具调用型 LLM 智能体通过交互揭示隐藏环境的能力。实验设定中，智能体需通过成员查询和等价查询与预言机交互，以 uncover 隐藏的确定性有限自动机（DFA）。该方法提供了可扩展的测试平台，具备可控的任务复杂度和可衡量的交互效率。评估结果显示，随着 DFA 规模增大，现有最先进模型性能急剧下降。尽管推理模型表现优于非推理模型，但轨迹分析揭示了其在查询规划、证据整合及假设构建方面的 recurring 失败。结论表明，当前 LLM 智能体虽能执行一定的交互式发现任务，但在鲁棒性和效率上远逊于经典算法。