这篇论文介绍了 Plan-and-Patch 框架：扩散语言模型（dLLM）先生成结构化计划，再只修复其中出错的部分。在 Natural Plan 基准测试中，扩散规划器修复计划的成功率为 53.7%，自回归规划器则为 27.0%。在 ALFWorld 等智能体任务上训练后，两种方法生成计划的成功率相近，但扩散方法快了 39-46%。这项研究为提升长时程智能体的效率和适应性提供了一种新思路。
为什么重要
更快、更可靠的计划修复能力，有望让自主助手在更少中断的情况下完成复杂任务。
Plan-and-Patch提升扩散语言模型的计划修复能力
研究人员发现，基于扩散模型的规划器修复计划的成功率是传统自回归模型的两倍，生成时间最多可缩短近一半。
简讯作者： OossaOossa 发布日期: 1 分钟阅读
继续阅读
Oossa · 新闻简报
一周 AI，讲明白
每周一，用通俗的语言讲清值得知道的新闻。免费，无垃圾邮件。