# Plan-and-Patch, 확산 언어 모델로 계획 복구 성능 높여

> 연구진은 확산 기반 계획 모델이 기존 자기회귀 모델보다 계획을 두 배 더 자주 복구하고, 생성 시간은 최대 절반까지 줄인다고 밝혔습니다.

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

논문은 확산 언어 모델(dLLM)이 구조화된 계획을 세운 뒤, 오류가 있는 부분만 수정하는 프레임워크 Plan-and-Patch를 소개합니다. Natural Plan 벤치마크 테스트에서 확산 계획 모델은 53.7%의 확률로 계획을 복구해, 자기회귀 계획 모델의 27.0%를 웃돌았습니다. ALFWorld 같은 에이전트 작업으로 학습한 뒤에는 두 방식의 계획 생성 성공률이 비슷했지만, 확산 방식은 39~46% 더 빨랐습니다. 이번 연구는 장기 작업을 수행하는 에이전트의 효율성과 적응력을 높일 수 있는 방법을 제시합니다.

## 팩트

- Plan-and-Patch의 계획 복구 성공률: 확산 방식 53.7%, 자기회귀(AR) 방식 27.0%
- 작업별 학습 후 평균 계획 생성 지연 시간 39~46% 감소

## 왜 중요한가

계획을 더 빠르고 안정적으로 복구하면 자율형 비서가 복잡한 작업을 중단 없이 마칠 가능성이 커집니다.

## 출처 및 참고 자료

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

최종 업데이트: 2026-10-09