장기 과제를 수행하는 에이전트가 계획 실행 중 가정이 틀리거나 도구 호출이 실패할 때 전체 계획을 다시 짜지 않고 일부만 수정하는 프레임워크 Plan-and-Patch를 제안한 연구다. 확산 언어모델(dLLM)이 병렬 언마스킹으로 구조화된 계획을 생성하고, 앞뒤 구조는 그대로 둔 채 선택된 영역만 메워 수정한다. Natural Plan 벤치마크에서 과제별 학습 없이도 확산 플래너(DreamReasoner-8B)는 계획 수정 성공률 53.7%로 자기회귀 플래너(Qwen3-8B, 27.0%)의 거의 두 배를 기록했다. ALFWorld와 TextCraft에 대한 과제별 학습 후에는 두 방식의 계획 생성 성능이 비슷해졌지만, 확산 방식이 평균 계획 생성 지연 시간을 39~46% 줄였다. 긴 호라이즌 에이전트에서 더 빠르고 효과적인 계획 수립과 복구가 가능함을 보여준다.

• •확산 언어모델로 계획을 생성하고 앞뒤 구조를 유지한 채 일부 영역만 패치하는 Plan-and-Patch 제안
• •Natural Plan에서 학습 없이도 확산 플래너의 계획 수정 성공률이 자기회귀 방식의 거의 2배(53.7% vs 27.0%)
• •ALFWorld·TextCraft 과제별 학습 후 두 방식 성공률은 유사해짐
• •확산 방식이 평균 계획 생성 지연 시간을 39~46% 단축
• •장기 호라이즌 에이전트의 빠른 계획 생성과 효과적 복구를 동시에 달성