Les chercheurs présentent GRASP, un cadre de planification multi-étage conscient des stratégies conçu pour générer des plans exécutables en langage naturel de haute qualité pour des tâches complexes où les grands modèles de langage (LLM) standards voient généralement leur fiabilité se dégrader. Le système découple le pipeline de planification en modules spécialisés : GenPlan pour les directives macro-globales, RevPlan pour l'exploration de stratégies localisées et VerPlan pour l'évaluation indépendante des trajectoires.

  • GRASP établit un nouvel état de l'art sur divers jeux de données, offrant des gains de précision d'environ 12,4 % sur Natural Plan Calendar Scheduling et d'environ 30,8 % sur ZebraLogic par rapport aux planificateurs LLM directs.
  • Le cadre aplatisse complètement la pénalité de dégradation multi-tâche observée dans les planificateurs standards, atteignant un gain absolu de précision jusqu'à 16,7 % dans des environnements à tâches entrelacées.
  • En isolant le contexte et en imposant une régularisation macro-stricte, GRASP surpasse les modèles de raisonnement de pointe comme GPT-5-mini avec une marge de 14,5 %.

Cette approche répond au défi du maintien des performances lorsque la complexité des tâches augmente, offrant des améliorations significatives par rapport aux méthodes de planification LLM directes.