摘要：南加州大學&斯坦福大學聯合研究的VLM 閉環符號規劃器《Using Vision Language Models as Closed-Loop Symbolic Planners for Robotic Applications: A Control-Theoretic Perspective》：從控制理論角度，系統研究視覺語言模型（VLM）作為機器人閉環符號規劃器的核心影響因素，通過 4 類任務環境（CUBE-EASY 至 YCB-HARD）和 3 款主流 VLM（GPT-4.1-mini、Gemini-2.5-flash、Llama-4-Maverick-17B）的受控實驗，證實閉環規劃優于開環、熱啟動顯著提升性能、控制時域并非越短越好三大核心結論。該優化方案使 VLM 規劃器的任務完成率平均提升 28.2%，目標達成率比開環提升 21.7%，為長程機器人操縱提供更穩健、可解釋的符號規劃解決方案。