El artículo presenta Plan-and-Patch, un marco en el que un modelo de lenguaje de difusión (dLLM) crea un plan estructurado y luego corrige solo las partes que fallan. En las pruebas con el benchmark Natural Plan, el planificador de difusión reparó los planes en el 53.7% de los casos, frente al 27.0% de un planificador autorregresivo. Tras entrenar ambos enfoques con tareas agénticas como ALFWorld, generaron planes con tasas de éxito similares, pero el método de difusión fue entre un 39% y un 46% más rápido. El trabajo propone una forma de hacer que los agentes con horizontes de planificación largos sean más eficientes y adaptables.
Por qué importa
Una reparación de planes más rápida y fiable podría permitir que los asistentes autónomos completen tareas complejas con menos interrupciones.
