Ο σχεδιασμός σε βάθος χρόνου αποτελεί κρίσιμη πρόκληση για τους πράκτορες τεχνητής νοημοσύνης, καθώς οι αρχικές υποθέσεις συχνά διαψεύδονται από το περιβάλλον ή την αποτυχία εργαλείων. Μια νέα έρευνα παρουσιάζει το Plan-and-Patch, ένα πλαίσιο που χρησιμοποιεί γλωσσικά μοντέλα διάχυσης (diffusion language models - dLLMs) για τη δημιουργία και την επιδιόρθωση δομημένων σχεδίων δράσης.
Η Υπεροχή της Διάχυσης στην Επιδιόρθωση
Σε αντίθεση με τα παραδοσιακά αυτοπαλινδρομικά μοντέλα (AR) που συχνά απαιτούν την πλήρη αναγέννηση ενός σχεδίου όταν κάτι πάει στραβά, το Plan-and-Patch επιτρέπει την επιλεκτική επιδιόρθωση συγκεκριμένων περιοχών. Το μοντέλο dLLM «μπαλώνει» τα επηρεαζόμενα τμήματα διατηρώντας ανέπαφη την προηγούμενη και την επόμενη δομή του σχεδίου.
Στο σημείο αναφοράς Natural Plan, το μοντέλο διάχυσης DreamReasoner-8B πέτυχε ποσοστό επιτυχίας στην επιδιόρθωση σχεδίου 53,7%, σχεδόν διπλάσιο από το 27,0% του αυτοπαλινδρομικού Qwen3-8B. Η προσέγγιση αυτή αποδεικνύεται πιο ανθεκτική σε περιβάλλοντα όπου οι συνθήκες αλλάζουν απρόβλεπτα.
Ταχύτητα και Αποδοτικότητα
Εκτός από την αποτελεσματικότητα στην επιδιόρθωση, η χρήση μοντέλων διάχυσης προσφέρει σημαντικά πλεονεκτήματα ταχύτητας. Μετά από εκπαίδευση σε συγκεκριμένες εργασίες (ALFWorld και TextCraft), οι ερευνητές διαπίστωσαν ότι:
- Η ταχύτητα παραγωγής σχεδίου αυξήθηκε, μειώνοντας την καθυστέρηση (latency) κατά 39-46% σε σύγκριση με τα μοντέλα AR.
- Τα ποσοστά επιτυχίας στην αρχική παραγωγή σχεδίου παρέμειναν παρόμοια μεταξύ των δύο τύπων μοντέλων.
Το Plan-and-Patch αναδεικνύεται ως μια ισχυρή εναλλακτική για πράκτορες που απαιτούν γρήγορη προσαρμογή και εκτέλεση σύνθετων εργασιών χωρίς την ανάγκη για δαπανηρή επανεκκίνηση ολόκληρων διαδικασιών.
