O artigo apresenta o Plan-and-Patch, uma estrutura em que um modelo de linguagem de difusão (dLLM) cria um plano estruturado e depois corrige apenas as partes com problemas. Em testes no benchmark Natural Plan, o planejador por difusão reparou planos em 53.7% das vezes, contra 27.0% para um planejador autorregressivo. Após o treinamento em tarefas agênticas, como ALFWorld, as duas abordagens geraram planos com taxas de sucesso semelhantes, mas o método de difusão foi 39‑46% mais rápido. O estudo aponta um caminho para tornar agentes de longo horizonte mais eficientes e adaptáveis.
Por que importa
Um reparo de planos mais rápido e confiável pode ajudar assistentes autônomos a concluir tarefas complexas com menos interrupções.
