资讯1 分钟阅读·
扩散模型助智能体高效修错
新研究称，扩散模型在智能体规划中修复错误成功率达53.7%，约为自回归模型两倍。
重要性实质性证据E2 未复现写法快讯
扩散语言模型在长程智能体规划中展现出显著的局部修复优势。
背景：传统自回归模型在环境变化导致计划失效时，往往需重新生成整个计划，易引入不必要变动且耗时。Plan-and-Patch框架利用并行去掩码特性，仅重填受影响区域，保留前后步骤不变。
结论：据Syamantak Kumar等人提交的预印本，在无任务特定训练的Natural Plan基准上，DreamReasoner-8B（扩散）的计划修复成功率为53.7%，接近Qwen3-8B（自回归）27.0%的两倍。在ALFWorld和TextCraft经过任务训练后，两者生成成功率相近，但扩散模型平均生成延迟降低39-46%。
边界：结果基于作者自测，尚未见独立复现；主要验证于结构化程序式规划场景，对非结构化复杂推理的适用性待考。