I artikeln presenteras Plan-and-Patch, ett ramverk där en diffusionsspråkmodell (dLLM) skapar en strukturerad plan och sedan rättar till bara de delar som inte fungerar. I tester med benchmarken Natural Plan reparerade diffusionsplaneraren planer i 53.7% av fallen, jämfört med 27.0% för en autoregressiv planerare. Efter träning på agentuppgifter som ALFWorld genererade de båda metoderna planer med ungefär samma framgångsfrekvens, men diffusionsmetoden var 39‑46% snabbare. Resultaten pekar på ett sätt att göra agenter som arbetar mot långsiktiga mål effektivare och mer anpassningsbara.
Varför det spelar roll
Snabbare och mer tillförlitlig planreparation kan hjälpa autonoma assistenter att slutföra komplexa uppgifter med färre avbrott.
