# Plan-and-Patch förbättrar planreparation med diffusionsspråkmodeller

> Forskare visar att en diffusionsbaserad planerare reparerar planer dubbelt så ofta som en traditionell autoregressiv modell och halverar genereringstiden.

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

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.

## Fakta

- Framgång vid reparation med Plan-and-Patch: 53.7% (diffusion) jämfört med 27.0% (AR)
- Den genomsnittliga fördröjningen vid plangenerering minskade med 39‑46% efter uppgiftsspecifik träning

## Varför det spelar roll

Snabbare och mer tillförlitlig planreparation kan hjälpa autonoma assistenter att slutföra komplexa uppgifter med färre avbrott.

## Källor och referenser

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

Senast uppdaterad: 2026-10-09