arXiv cs.AI· Syamantak Kumar, Jiang Guo, Hassan Hamad, Hideo Kobayashi, Yi Xiang, Yezhou Yang, Yanjun Qi, Daniele Bonadiman, Jiarong Jiang·· 9 天前AI 评分29
Plan-and-Patch：用扩散语言模型做智能体规划
Plan-and-Patch: Diffusion Language Models for Agentic Planning
AI 导读
Plan-and-Patch 是一个 plan-and-act 框架，让扩散语言模型（dLLM）通过并行解掩码生成结构化、类程序式计划，并只重填受影响区域来修复计划、保持前后步骤不变。
正文 · AI 翻译
摘要：规划对于长时程智能体而言日益重要，因为成功的执行需要在多步过程中协调子目标、工具使用和中间结果。然而，规划过程中所做的假设可能会被环境推翻，工具可能返回意外结果，或者动作可能失败。因此，有效的智能体不仅必须生成计划，还必须修订计划。此类修订通常只影响计划的一部分，使前后结构保持不变。与其重新生成整个计划并冒着引入不必要变更的风险，修复可以在保留前缀和后缀的条件下重新生成受影响的区域。我们提出 Plan-and-Patch，一个计划-行动框架，其中扩散语言模型（dLLM）通过并行去掩码生成结构化的、类程序式计划，并通过填充选定区域同时保持周围步骤不变来进行修复。我们将 DreamReasoner-8B 和 Qwen3-8B 分别作为扩散和自回归（AR）规划器进行比较。在无任务特定训练的 Natural Plan 上，扩散（53.7%）的计划修复成功率几乎是 AR（27.0%）的两倍。在智能体基准 ALFWorld 和 TextCraft 上进行任务特定训练后，两种规划器在计划生成上取得相似的观测成功率，而扩散相对于 AR 将平均计划生成延迟降低了 39-46%。我们的结果表明，Plan-and-Patch 为长时程智能体提供了一个更快生成计划和有效修复计划的框架。
| 学科： | 人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.10786 [cs.AI] |
| （或使用 arXiv:2610.10786v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.10786 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Syamantak Kumar [查看电子邮件]
[v1]
2026年10月7日星期三 18:45:45 UTC（50 KB）
来源：arXiv cs.AI · arxiv.org