この論文では、拡散言語モデル（dLLM）が構造化された計画を作成し、問題のある部分だけを修正するフレームワーク「Plan-and-Patch」を紹介している。Natural Planベンチマークでのテストでは、拡散プランナーが計画を修復できた割合は53.7%で、自己回帰型プランナーの27.0%を上回った。ALFWorldのようなエージェント型タスクで学習させた後は、両方式の計画生成成功率はほぼ同じだった一方、拡散方式は39～46%高速だった。この研究は、長期的なタスクに取り組むエージェントの効率と適応性を高める方法を示唆している。
なぜ重要か
計画をより速く確実に修復できれば、自律型アシスタントは中断を減らしながら複雑なタスクを完了できる可能性がある。
