論文の概要: Plan-and-Patch: Diffusion Language Models for Agentic Planning

• arxiv url: http://arxiv.org/abs/2610.10786v1
• Date: Wed, 07 Oct 2026 18:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.634162
• Title: Plan-and-Patch: Diffusion Language Models for Agentic Planning
• Title（参考訳）: Plan-and-Patch:エージェント計画のための拡散言語モデル
• Abstract要約: 長距離エージェントのためのプラン・アンド・パッチフレームワークであるPlan-and-Patchを紹介する。 Plan-and-Patchは並列アンマキングによって構造化されたプログラムライクなプランを生成し、選択したリージョンに埋め込むことでそれを修復する。 以上の結果から,プラン・アンド・パッチ(Plan-and-Patch)は長期的エージェントにおいて,より高速な計画生成と効率的な計画修復のためのフレームワークを提供することが示された。
• 参考スコア（独自算出の注目度）: 39.16270847998255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Planning is increasingly important for long-horizon agents, where successful execution requires coordinating subgoals, tool use, and intermediate outcomes over many steps. Yet assumptions made during planning may be invalidated by the environment, tools may return unexpected results, or actions may fail. Effective agents must therefore not only generate plans, but also revise them. Such revisions often affect only part of a plan, leaving the preceding and subsequent structure intact. Rather than regenerate the entire plan and risk unnecessary changes, repair can regenerate the affected region conditioned on the preserved prefix and suffix. We introduce Plan-and-Patch, a plan-and-act framework in which a diffusion language model (dLLM) generates a structured, program-like plan through parallel unmasking and repairs it by filling in selected regions while keeping the surrounding steps fixed. We compare DreamReasoner-8B and Qwen3-8B as diffusion and autoregressive (AR) planners. On Natural Plan without task-specific training, diffusion (53.7%) achieves nearly twice the plan repair success rate of AR (27.0%). After task-specific training on agentic benchmarks, ALFWorld and TextCraft, the planners achieve similar observed success in plan generation, while diffusion reduces mean plan-generation latency by 39-46% relative to AR. Our results show that Plan-and-Patch provides a framework for faster plan generation and effective plan repair in long-horizon agents.
• Abstract（参考訳）: 計画は、多くのステップでサブゴール、ツールの使用、中間的な結果の調整を成功させるような、長期のエージェントにとってますます重要になる。 しかし、計画中の仮定は環境によって無効化され、ツールは予期せぬ結果を返すかもしれないし、アクションが失敗するかもしれない。 したがって、効果的なエージェントは計画を生成するだけでなく、修正する必要がある。 このような修正はしばしば計画の一部に影響を与え、前と後の構造はそのまま残される。 計画全体を再生し、不必要な変更を危険にさらす代わりに、修復は、保存されたプレフィックスと接尾辞に条件付けられた影響領域を再生することができる。 拡散言語モデル(dLLM)が並列アンマキングによって構造化されたプログラムライクな計画を生成するプラン・アンド・パッチ(Plan-and-Patch)を導入し,その周辺のステップを固定しつつ,選択した領域を埋めて修復する。 我々はDreamReasoner-8BとQwen3-8Bを拡散・自己回帰(AR)プランナーとして比較した。 タスク固有の訓練のない自然計画では、拡散(53.7%)がARの修理成功率(27.0%)の約2倍に達する。 エージェントベンチマーク(ALFWorldとTextCraft)のタスク固有のトレーニングの後、計画立案者は同様に計画生成の成功を達成し、拡散は平均計画生成遅延をARと比較して39-46%削減する。 以上の結果から,プラン・アンド・パッチ(Plan-and-Patch)は長期的エージェントにおいて,より高速な計画生成と効率的な計画修復のためのフレームワークを提供することが示された。

関連論文リスト

• PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
  計画は大規模言語モデル(LLM)の基本的な機能である PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-05-20T08:10:15Z)
• From Plan to Action: How Well Do Agents Follow the Plan? [6.54753809716901]
  本稿では,プログラムエージェントにおける計画遵守に関する最初の体系的分析について述べる。 SWE-bench Verified と SWE-bench Pro では,SWE-agent からSWE-agent への16,991 トラジェクトリを8種類のプランで検討した。 サブプランは、計画が全くない以上にパフォーマンスを損なう。
  論文  参考訳（メタデータ） (2026-04-13T23:54:55Z)
• HyperTree Planning: Enhancing LLM Reasoning via Hierarchical Thinking [109.09735490692202]
  提案するHyperTree Planning(HTP)は,高木構造プランニングアウトラインを構成する新しい推論パラダイムである。 実験ではHTPの有効性を実証し、Gemini-1.5-ProによるTravelPlannerベンチマークで最先端の精度を実現し、o1-previewよりも3.6倍の性能向上を実現した。
  論文  参考訳（メタデータ） (2025-05-05T02:38:58Z)
• Plan-and-Act: Improving Planning of Agents for Long-Horizon Tasks [36.63527489464188]
  Plan-and-Actは、大規模言語モデル(LLM)に明示的なプランニングを組み込んだフレームワークである。 Plan-and-Actは、ユーザ目標を達成するための構造化された高レベルのプランを生成するPlannerモデルと、これらのプランを環境固有のアクションに変換するExecutorモデルで構成される。 We present a state-of-the-art 57.58% success rate on the WebArena-Lite benchmark and a text-only state-of-the-art 81.36% success rate on WebVoyager。
  論文  参考訳（メタデータ） (2025-03-12T17:40:52Z)
• Hindsight Planner: A Closed-Loop Few-Shot Planner for Embodied Instruction Following [62.10809033451526]
  本研究は,Large Language Models (LLM) を用いた Embodied Instruction following (EIF) タスクプランナの構築に焦点をあてる。 我々は,このタスクを部分観測可能なマルコフ決定プロセス (POMDP) として構成し,数発の仮定で頑健なプランナーの開発を目指す。 ALFREDデータセットに対する我々の実験は、プランナーが数ショットの仮定で競争性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-12-27T10:05:45Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)
• A Framework for Neurosymbolic Robot Action Planning using Large Language Models [3.0501524254444767]
  本稿では,象徴的タスク計画と機械学習アプローチのギャップを埋めることを目的としたフレームワークを提案する。 大規模言語モデル(LLM)を計画ドメイン定義言語(PDDL)と互換性のあるニューロシンボリックタスクプランナーに訓練する根拠 選択されたドメインにおける予備的な結果から, (i) テストデータセットの95.5%の問題を1,000個のサンプルで解決し, (ii) 従来のシンボルプランナーよりも最大13.5%短いプランを作成し, (iii) 計画の可利用性の平均待ち時間を61.4%まで削減する。
  論文  参考訳（メタデータ） (2023-03-01T11:54:22Z)
• A feasibility study of a hyperparameter tuning approach to automated inverse planning in radiotherapy [68.8204255655161]
  本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。 本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。 100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
  論文  参考訳（メタデータ） (2021-05-14T18:37:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。