Los investigadores presentan GRASP, un marco de planificación multi-etapa consciente de la estrategia diseñado para generar planes ejecutables en lenguaje natural de alta calidad para tareas complejas al desacoplar la canalización en módulos especializados. El sistema precompila directrices macro globales mediante GenPlan, explora estrategias localizadas a través de RevPlan y evalúa trayectorias utilizando un discriminador multicriterio llamado VerPlan.
- GRASP establece una nueva frontera de 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 frente a planificadores LLM directos.
- El marco aplana la penalización por 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 una macro-regularización estricta, GRASP supera a modelos de razonamiento de vanguardia como GPT-5-mini por un margen del 14.5%.
GRASP aborda la degradación de la fiabilidad de los LLMs a medida que aumenta la complejidad de la tarea, ofreciendo una solución robusta para escenarios de planificación compleja donde los métodos tradicionales fallan.