扩散模型修计划成功率53.7%，竟是自回归两倍！
Plan-and-Patch: Diffusion Language Models for Agentic Planning
📖 AI 总结
本文提出 Plan-and-Patch，一种面向长时程智能体的“规划—修补”框架。针对规划中环境变化、工具返回异常或动作失败导致原计划部分失效的问题，该方法不再重新生成整份计划，而是利用扩散语言模型的并行去掩码能力，在保留前后文结构的前提下，仅对受影响区域进行局部修补。研究以 DreamReasoner-8B 和 Qwen3-8B 分别作为扩散与自回归规划器进行对比：在 Natural Plan 任务上未经任务特定训练时，扩散模型的计划修补成功率达 53.7%，接近自回归模型 27.0% 的两倍；在 ALFWorld 和 TextCraft 上经任务特定训练后，两者计划生成成功率相近，但扩散模型将平均生成延迟降低 39% 至 46%。该工作表明，扩散语言模型在智能体规划中兼具更快的生成速度与更有效的局部修复能力。
🔑 关键词速览
| Plan-and-Patch | 本文提出的“规划-修复”框架，先生成结构化计划，再通过局部填充修复受影响区域。 |
| Diffusion Language Model (dLLM) | 扩散语言模型，通过并行去掩码逐步生成文本，支持对选定区域进行局部修复。 |
| Autoregressive (AR) Planner | 自回归规划器，按从左到右的顺序逐词生成计划，通常需要整体重新生成来修订。 |
| Plan Repair | 计划修复，指在计划部分失效时，仅修订受影响区域而保留前后步骤不变。 |
| Long-Horizon Agents | 长时程智能体，需要在多步执行中协调子目标、工具使用和中间结果以完成复杂任务。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅