# Plan-and-Patch repareert plannen beter met diffusiemodellen

> Onderzoekers laten zien dat een op diffusie gebaseerd model plannen twee keer zo vaak herstelt als een traditioneel autoregressief model en de generatietijd met maximaal de helft verkort.

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

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.

## De feiten

- Slaagpercentage bij planherstel met Plan-and-Patch: 53.7% (diffusie) tegenover 27.0% (AR)
- De gemiddelde vertraging bij het genereren van plannen daalde na taakspecifieke training met 39‑46%

## Waarom het ertoe doet

Sneller en betrouwbaarder herstel van plannen kan autonome assistenten helpen complexe taken met minder onderbrekingen uit te voeren.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-10-09