In het onderzoek introduceren de auteurs Plan-and-Patch, een raamwerk waarin een diffusiemodel voor taal (dLLM) een gestructureerd plan maakt en vervolgens alleen de onderdelen repareert die niet kloppen. In tests met de Natural Plan-benchmark herstelde de diffusion planner plannen in 53.7% van de gevallen, tegenover 27.0% voor een autoregressieve planner. Na training op agenttaken zoals ALFWorld genereerden beide methoden plannen met vergelijkbare slagingspercentages, maar de diffusiemethode was 39‑46% sneller. Het onderzoek wijst op een manier om agents die taken over een langere tijdshorizon uitvoeren efficiënter en flexibeler te maken.
Waarom het ertoe doet
Sneller en betrouwbaarder herstel van plannen kan autonome assistenten helpen complexe taken met minder onderbrekingen uit te voeren.
