# Plan-and-Patch улучшает исправление планов с помощью диффузионных моделей

> Исследователи показали, что планировщик на основе диффузионной модели исправляет планы вдвое чаще, чем традиционная авторегрессионная модель, и сокращает время генерации до половины.

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

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.

## Факты

- Успешность исправления планов в Plan-and-Patch: 53.7% (диффузионная модель) против 27.0% (авторегрессионная модель)
- После обучения на специализированных задачах среднее время генерации планов сокращается на 39‑46%

## Почему это важно

Более быстрое и надёжное исправление планов позволит автономным помощникам выполнять сложные задачи с меньшим числом сбоев.

## Источники и ссылки

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

Обновлено: 2026-10-09