Il paper presenta Plan-and-Patch, un framework in cui un modello linguistico a diffusione (dLLM) crea un piano strutturato e poi corregge soltanto le parti che non funzionano. Nei test sul benchmark Natural Plan, il pianificatore a diffusione ha corretto i piani nel 53.7% dei casi, contro il 27.0% di un pianificatore autoregressivo. Dopo l’addestramento su attività agentiche come ALFWorld, i due approcci hanno generato piani con tassi di successo simili, ma il metodo a diffusione è risultato più veloce del 39‑46%. Il lavoro suggerisce un modo per rendere gli agenti capaci di affrontare attività su orizzonti lunghi più efficienti e adattabili.
Perché conta
Una correzione dei piani più rapida e affidabile potrebbe consentire agli assistenti autonomi di portare a termine attività complesse con meno interruzioni.
