Los investigadores presentan GRASP, un marco de planificación multi-etapa y consciente de la estrategia diseñado para generar planes ejecutables en lenguaje natural de alta calidad para tareas complejas donde los Modelos de Lenguaje Grande (LLM) estándar suelen degradar su fiabilidad. El sistema desacopla la tubería de planificación en módulos especializados: GenPlan para directrices macro globales, RevPlan para explorar estrategias localizadas y VerPlan para la evaluación independiente de trayectorias.

  • GRASP establece un nuevo estado del arte en diversos conjuntos de datos, obteniendo ganancias de precisión de ~12.4% en Natural Plan Calendar Scheduling y ~30.8% en ZebraLogic en comparación con planificadores LLM directos.
  • El marco elimina por completo la penalización de degradación multi-tarea observada en planificadores estándar, logrando una ganancia absoluta de precisión de hasta 16.7% en entornos de doble tarea intercalada.
  • Al aislar el contexto y aplicar estricta regularización macro, GRASP supera a modelos de razonamiento de vanguardia como GPT-5-mini por un margen del 14.5%.

Este enfoque aborda el desafío de mantener el rendimiento a medida que aumenta la complejidad de la tarea, ofreciendo mejoras significativas sobre los métodos de planificación LLM directa.