L’article présente Plan-and-Patch, un cadre dans lequel un modèle de langage à diffusion (dLLM) établit un plan structuré, puis ne corrige que les parties défectueuses. Lors de tests sur le benchmark Natural Plan, le planificateur à diffusion a réparé les plans dans 53.7% des cas, contre 27.0% pour un planificateur autorégressif. Après un entraînement sur des tâches agentiques comme ALFWorld, les deux approches ont généré des plans avec des taux de réussite similaires, mais la méthode à diffusion était 39‑46% plus rapide. Ces travaux ouvrent une piste pour rendre les agents capables de gérer des tâches de longue durée plus efficaces et adaptables.
Pourquoi c'est important
Une réparation des plans plus rapide et plus fiable pourrait permettre aux assistants autonomes d’accomplir des tâches complexes avec moins d’interruptions.
