SokoBench: Evaluating Long-Horizon Planning and Reasoning in Large Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Monti, Sebastiano, Nicolini, Carlo, Pellegrini, Gianni, Staiano, Jacopo, Lepri, Bruno |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
The Garden of Forking Paths: Observing Dynamic Parameters Distribution in Large Language Models
par: Nicolini, Carlo, et autres
Publié: (2024)
par: Nicolini, Carlo, et autres
Publié: (2024)
Hyperdimensional Probe: Decoding LLM Representations via Vector Symbolic Architectures
par: Bronzini, Marco, et autres
Publié: (2025)
par: Bronzini, Marco, et autres
Publié: (2025)
Unveiling LLMs: The Evolution of Latent Representations in a Dynamic Knowledge Graph
par: Bronzini, Marco, et autres
Publié: (2024)
par: Bronzini, Marco, et autres
Publié: (2024)
Glitter or Gold? Deriving Structured Insights from Sustainability Reports via Large Language Models
par: Bronzini, Marco, et autres
Publié: (2023)
par: Bronzini, Marco, et autres
Publié: (2023)
The LLM Wears Prada: Analysing Gender Bias and Stereotypes through Online Shopping Data
par: Luca, Massimiliano, et autres
Publié: (2025)
par: Luca, Massimiliano, et autres
Publié: (2025)
Hopfield Networks for Asset Allocation
par: Nicolini, Carlo, et autres
Publié: (2024)
par: Nicolini, Carlo, et autres
Publié: (2024)
HeroBench: A Benchmark for Long-Horizon Planning and Structured Reasoning in Virtual Worlds
par: Anokhin, Petr, et autres
Publié: (2025)
par: Anokhin, Petr, et autres
Publié: (2025)
I Want to Break Free! Persuasion and Anti-Social Behavior of LLMs in Multi-Agent Settings with Social Hierarchy
par: Campedelli, Gian Maria, et autres
Publié: (2024)
par: Campedelli, Gian Maria, et autres
Publié: (2024)
Graph Hierarchical Recurrence for Long-Range Generalization
par: Carotti, Stefano, et autres
Publié: (2026)
par: Carotti, Stefano, et autres
Publié: (2026)
Large Language Models are Zero-Shot Next Location Predictors
par: Beneduce, Ciro, et autres
Publié: (2024)
par: Beneduce, Ciro, et autres
Publié: (2024)
CLR-Bench: Evaluating Large Language Models in College-level Reasoning
par: Dong, Junnan, et autres
Publié: (2024)
par: Dong, Junnan, et autres
Publié: (2024)
AMA-Bench: Evaluating Long-Horizon Memory for Agentic Applications
par: Zhao, Yujie, et autres
Publié: (2026)
par: Zhao, Yujie, et autres
Publié: (2026)
FCRF: Flexible Constructivism Reflection for Long-Horizon Robotic Task Planning with Large Language Models
par: Song, Yufan, et autres
Publié: (2025)
par: Song, Yufan, et autres
Publié: (2025)
HorizonBench: Long-Horizon Personalization with Evolving Preferences
par: Li, Shuyue Stella, et autres
Publié: (2026)
par: Li, Shuyue Stella, et autres
Publié: (2026)
$π$-Bench: Evaluating Proactive Personal Assistant Agents in Long-Horizon Workflows
par: Zhang, Haoran, et autres
Publié: (2026)
par: Zhang, Haoran, et autres
Publié: (2026)
Urban Safety Perception Through the Lens of Large Multimodal Models: A Persona-based Approach
par: Beneduce, Ciro, et autres
Publié: (2025)
par: Beneduce, Ciro, et autres
Publié: (2025)
Can LLMs Correct Physicians, Yet? Investigating Effective Interaction Methods in the Medical Domain
par: Sayin, Burcu, et autres
Publié: (2024)
par: Sayin, Burcu, et autres
Publié: (2024)
UrbanPlanBench: A Comprehensive Urban Planning Benchmark for Evaluating Large Language Models
par: Zheng, Yu, et autres
Publié: (2025)
par: Zheng, Yu, et autres
Publié: (2025)
LH-Bench: Skill-Grounded Evaluation of Long-Horizon Agents on Subjective Enterprise Tasks
par: Chandwani, Abhishek, et autres
Publié: (2026)
par: Chandwani, Abhishek, et autres
Publié: (2026)
EXPLORE-Bench: Egocentric Scene Prediction with Long-Horizon Reasoning
par: Yu, Chengjun, et autres
Publié: (2026)
par: Yu, Chengjun, et autres
Publié: (2026)
On Training Large Language Models for Long-Horizon Tasks: An Empirical Study of Horizon Length
par: Kim, Sunghwan, et autres
Publié: (2026)
par: Kim, Sunghwan, et autres
Publié: (2026)
Translating Under Pressure: Domain-Aware LLMs for Crisis Communication
par: Castaldo, Antonio, et autres
Publié: (2026)
par: Castaldo, Antonio, et autres
Publié: (2026)
ChemVTS-Bench: Evaluating Visual-Textual-Symbolic Reasoning of Multimodal Large Language Models in Chemistry
par: Huang, Zhiyuan, et autres
Publié: (2025)
par: Huang, Zhiyuan, et autres
Publié: (2025)
LogicBench: Towards Systematic Evaluation of Logical Reasoning Ability of Large Language Models
par: Parmar, Mihir, et autres
Publié: (2024)
par: Parmar, Mihir, et autres
Publié: (2024)
TimeBench: A Comprehensive Evaluation of Temporal Reasoning Abilities in Large Language Models
par: Chu, Zheng, et autres
Publié: (2023)
par: Chu, Zheng, et autres
Publié: (2023)
MinePlanner: A Benchmark for Long-Horizon Planning in Large Minecraft Worlds
par: Hill, William, et autres
Publié: (2023)
par: Hill, William, et autres
Publié: (2023)
LPS-Bench: Benchmarking Safety Awareness of Computer-Use Agents in Long-Horizon Planning under Benign and Adversarial Scenarios
par: Chen, Tianyu, et autres
Publié: (2026)
par: Chen, Tianyu, et autres
Publié: (2026)
RoadmapBench: Evaluating Long-Horizon Agentic Software Development Across Version Upgrades
par: Xu, Xinbo, et autres
Publié: (2026)
par: Xu, Xinbo, et autres
Publié: (2026)
Reflection-Bench: Evaluating Epistemic Agency in Large Language Models
par: Li, Lingyu, et autres
Publié: (2024)
par: Li, Lingyu, et autres
Publié: (2024)
LifeBench: A Benchmark for Long-Horizon Multi-Source Memory
par: Cheng, Zihao, et autres
Publié: (2026)
par: Cheng, Zihao, et autres
Publié: (2026)
KellyBench: A Benchmark for Long-Horizon Sequential Decision Making
par: Grady, Thomas, et autres
Publié: (2026)
par: Grady, Thomas, et autres
Publié: (2026)
Reason-Plan-ReAct: A Reasoner-Planner Supervising a ReAct Executor for Complex Enterprise Tasks
par: Molinari, Gianni, et autres
Publié: (2025)
par: Molinari, Gianni, et autres
Publié: (2025)
Beyond Entangled Planning: Task-Decoupled Planning for Long-Horizon Agents
par: Li, Yunfan, et autres
Publié: (2026)
par: Li, Yunfan, et autres
Publié: (2026)
ItinBench: Benchmarking Planning Across Multiple Cognitive Dimensions with Large Language Models
par: Wang, Tianlong, et autres
Publié: (2026)
par: Wang, Tianlong, et autres
Publié: (2026)
PlanU: Large Language Model Reasoning through Planning under Uncertainty
par: Deng, Ziwei, et autres
Publié: (2025)
par: Deng, Ziwei, et autres
Publié: (2025)
SORRY-Bench: Systematically Evaluating Large Language Model Safety Refusal
par: Xie, Tinghao, et autres
Publié: (2024)
par: Xie, Tinghao, et autres
Publié: (2024)
STRUCTUREDAGENT: Planning with AND/OR Trees for Long-Horizon Web Tasks
par: Lobo, ELita, et autres
Publié: (2026)
par: Lobo, ELita, et autres
Publié: (2026)
ALE-Bench: A Benchmark for Long-Horizon Objective-Driven Algorithm Engineering
par: Imajuku, Yuki, et autres
Publié: (2025)
par: Imajuku, Yuki, et autres
Publié: (2025)
Reflective Planning: Vision-Language Models for Multi-Stage Long-Horizon Robotic Manipulation
par: Feng, Yunhai, et autres
Publié: (2025)
par: Feng, Yunhai, et autres
Publié: (2025)
RetailBench: Evaluating Long-Horizon Autonomous Decision-Making and Strategy Stability of LLM Agents in Realistic Retail Environments
par: Zhang, Linghua, et autres
Publié: (2026)
par: Zhang, Linghua, et autres
Publié: (2026)
Documents similaires
-
The Garden of Forking Paths: Observing Dynamic Parameters Distribution in Large Language Models
par: Nicolini, Carlo, et autres
Publié: (2024) -
Hyperdimensional Probe: Decoding LLM Representations via Vector Symbolic Architectures
par: Bronzini, Marco, et autres
Publié: (2025) -
Unveiling LLMs: The Evolution of Latent Representations in a Dynamic Knowledge Graph
par: Bronzini, Marco, et autres
Publié: (2024) -
Glitter or Gold? Deriving Structured Insights from Sustainability Reports via Large Language Models
par: Bronzini, Marco, et autres
Publié: (2023) -
The LLM Wears Prada: Analysing Gender Bias and Stereotypes through Online Shopping Data
par: Luca, Massimiliano, et autres
Publié: (2025)