این پژوهش چارچوب Plan-and-Patch را معرفی می‌کند؛ روشی که در آن یک مدل زبانی انتشار (dLLM) برنامه‌ای ساختاریافته می‌سازد و سپس فقط بخش‌های معیوب را اصلاح می‌کند. در آزمون‌های معیار Natural Plan، برنامه‌ریز انتشار 53.7% از برنامه‌ها را ترمیم کرد؛ این رقم برای برنامه‌ریز خودرگرسیو 27.0% بود. پس از آموزش با وظایف عامل‌محور مانند ALFWorld، هر دو روش برنامه‌هایی با نرخ موفقیت مشابه تولید کردند، اما روش انتشار 39‑46% سریع‌تر بود. این پژوهش راهی را برای کارآمدتر و سازگارتر کردن عامل‌هایی پیشنهاد می‌کند که وظایف بلندمدت انجام می‌دهند.
چرا مهم است
ترمیم سریع‌تر و مطمئن‌تر برنامه‌ها می‌تواند به دستیارهای خودکار کمک کند وظایف پیچیده را با وقفه‌های کمتری به پایان برسانند.
