Zespół badaczy opracował Plan-and-Patch, framework łączący generowanie planów z ich naprawą przy użyciu dyfuzyjnych modeli języka. Zamiast regenerować cały plan, gdy coś pójdzie nie tak, system naprawia tylko wybrane regiony, zachowując poprzednie i następne kroki. To podejście jest bardziej efektywne niż tradycyjne podejście, gdzie niepowodzenie wymusza regenerację całego planu od nowa.
Badacze porównali model dyfuzyjny DreamReasoner-8B z autoregresywnym Qwen3-8B na różnych benchmarkach. Na teście Natural Plan bez specjalistycznego treningu model dyfuzyjny osiągnął 53,7 procent sukcesu w naprawie planów, prawie dwa razy więcej niż model autoregresywny z wynikiem 27 procent. Po treningu na benchmarkach ALFWorld i TextCraft oba modele pokazywały podobną wydajność w generowaniu planów, ale model dyfuzyjny był znacznie szybszy - zmniejszył opóźnienie generowania planów o 39-46 procent.
Wyniku ma znaczenie dla praktycznego wdrażania agentów AI, szczególnie w zadaniach wielokrokowych, gdzie niepowodzenia są nieuniknione. Możliwość szybkiej naprawy planów bez regeneracji całej struktury może pozwolić agentom na bardziej elastyczne i sprawne działanie w dynamicznych środowiskach, gdzie plany trzeba dostosowywać w locie.