# Plan-and-Patch ترمیم برنامه‌ها را سریع‌تر می‌کند

> پژوهشگران نشان داده‌اند برنامه‌ریز مبتنی بر انتشار، دو برابر بیشتر از مدل خودرگرسیو برنامه‌ها را ترمیم می‌کند و زمان تولید را تا نصف کاهش می‌دهد.

Oossa · 2026-10-09 · https://oossa.com/fa/plan-and-patch-boosts-plan-repair-with-diffusion-language-models

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.

## حقایق

- نرخ موفقیت Plan-and-Patch در ترمیم: 53.7% (انتشار) در برابر 27.0% (AR)
- پس از آموزش ویژه وظیفه، میانگین تأخیر تولید برنامه 39‑46% کاهش یافت

## چرا مهم است

ترمیم سریع‌تر و مطمئن‌تر برنامه‌ها می‌تواند به دستیارهای خودکار کمک کند وظایف پیچیده را با وقفه‌های کمتری به پایان برسانند.

## منابع و ارجاع‌ها

1. [Plan-and-Patch: Diffusion Language Models for Agentic Planning](https://arxiv.org/abs/2610.10786) – arXiv, 2026-10-09

آخرین به‌روزرسانی: 2026-10-09