Die Studie stellt Plan-and-Patch vor: ein Framework, in dem ein Diffusions-Sprachmodell (dLLM) einen strukturierten Plan erstellt und anschließend nur die fehlerhaften Teile korrigiert. In Tests mit dem Benchmark Natural Plan reparierte der Diffusionsplaner in 53.7% der Fälle Pläne, ein autoregressiver Planer dagegen in 27.0%. Nach dem Training mit agentischen Aufgaben wie ALFWorld erzielten beide Ansätze ähnliche Erfolgsraten bei der Planung, doch die Diffusionsmethode war 39‑46% schneller. Die Arbeit zeigt einen möglichen Weg, Agenten für Aufgaben mit langem Planungshorizont effizienter und anpassungsfähiger zu machen.
Warum es wichtig ist
Schnellere und zuverlässigere Planreparaturen könnten autonomen Assistenten helfen, komplexe Aufgaben mit weniger Unterbrechungen zu erledigen.
