В статье представлена Plan-and-Patch — система, в которой диффузионная языковая модель (dLLM) создаёт структурированный план, а затем исправляет только его проблемные части. В тестах на бенчмарке Natural Plan диффузионный планировщик исправлял планы в 53.7% случаев против 27.0% у авторегрессионного. После обучения на агентных задачах, таких как ALFWorld, обе модели генерировали планы с сопоставимой долей успешных выполнений, однако диффузионный метод работал на 39‑46% быстрее. Эта работа предлагает способ повысить эффективность и адаптивность агентов, выполняющих длительные задачи.
Почему это важно
Более быстрое и надёжное исправление планов позволит автономным помощникам выполнять сложные задачи с меньшим числом сбоев.
