18:I[22016,["/_next/static/chunks/0.741cpxm4vqs.js","/_next/static/chunks/0vkc-kvk2nxnn.js","/_next/static/chunks/0g9a0d0g3x18_.js"],""] 19:I[5500,["/_next/static/chunks/0.741cpxm4vqs.js","/_next/static/chunks/0vkc-kvk2nxnn.js","/_next/static/chunks/0g9a0d0g3x18_.js"],"Image"] 1a:I[25901,["/_next/static/chunks/0.741cpxm4vqs.js","/_next/static/chunks/0vkc-kvk2nxnn.js","/_next/static/chunks/0g9a0d0g3x18_.js"],"default"] 1b:T4d7,arXiv:2609.09578v1 Announce Type: new Abstract: Urban planning is a real-world spatial optimization problem that requires selecting feasible actions from large candidate spaces under practical objectives such as cost and service quality. Existing optimization and reinforcement learning methods are effective for fixed formulations, but often depend on task-specific representations and constraint handling. We propose \emph{CityPlanner}, a sandbox-agent framework for executable urban planning. CityPlanner introduces \emph{UrbanSandbox}, a unified file-based environment where agents inspect task files, generate plans, run evaluators, and revise decisions based on executable feedback. To make learning tractable, we further propose atomic-task reinforcement learning, which decomposes long sandbox trajectories into \emph{BuildPlan} for initial construction and \emph{ImprovePlan} for feedback-based refinement. Experiments on a real-world benchmark show that CityPlanner consistently outperforms heuristic, task-specific RL, and general LLM-agent baselines. Ablations verify the contributions of UrbanSandbox, atomic-task RL, and iterative deployment. We release the code and dataset at https://anonymous.4open.science/r/co-agent-C1C81c:T74d,في عصر التكنولوجيا والذكاء الاصطناعي، تأتي أداة CityPlanner كحل مبتكر لمشكلة تخطيط المدن، التي تتطلب اتخاذ قرارات مثلى من مجموعة واسعة من الخيارات. يقدم CityPlanner إطار عمل يُسمى UrbanSandbox، وهو بيئة موحدة تعتمد على الملفات، تتيح للوكيل فحص ملفات المهام، إنشاء خطط، تنفيذ تقييمات، وتعديل القرارات اعتمادًا على التعليقات القابلة للتنفيذ. تخطو CityPlanner خطوة إضافية نحو تحسين عملية التعلم من خلال تقديم تقنية تعلم تعزيز المهام الذرية (atomic-task reinforcement learning)، التي تقوم بتفكيك مسارات طويلة إلى مكونين أساسيين: BuildPlan لعملية الإنشاء الأولية وImprovePlan لتحسين الخطط بناءً على التغذية الراجعة. تشير التجارب على مجموعة بيانات حقيقية إلى أن CityPlanner يتفوق باستمرار على الأساليب التقليدية التي تعتمد على التعلم المعزز المتخصص (task-specific RL) والنماذج اللغوية العامة (general LLM-agent). يشير هذا التطور إلى إمكانيات هائلة في استخدام الذكاء الاصطناعي لتحسين جودة تخطيط المدن ورفع مستوى الخدمة المقدمة للمواطنين. هل أنتم متحمسون لرؤية كيف سيؤثر CityPlanner على مستقبل التخطيط الحضري؟ شاركونا آراءكم في التعليقات!

🏷️ #CityPlanner

سيتي بلانر: ثورة في تخطيط المدن بفضل الذكاء الاصطناعي!