Les chercheurs présentent GRASP, un cadre de planification multi-étapes conscient des stratégies, conçu pour générer des plans exécutables en langage naturel de haute qualité pour des tâches complexes en découplant le pipeline en modules spécialisés. Le système pré-compile des directives macro-globales via GenPlan, explore des stratégies localisées par l'intermédiaire de RevPlan et évalue les trajectoires à l'aide d'un discriminateur multi-critères appelé VerPlan.

  • GRASP établit un nouvel état de l'art de pointe sur divers ensembles 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 atténue la pénalité de dégradation multi-tâches observée dans les planificateurs standards, atteignant un gain absolu de précision jusqu'à 16,7 % dans des environnements à double tâche entrelacées.
  • En isolant le contexte et en imposant une régularisation macro-stricte, GRASP surpasse les modèles de raisonnement de pointe tels que GPT-5-mini avec une marge de 14,5 %.

GRASP répond à la dégradation de la fiabilité des LLM lorsque la complexité des tâches augmente, offrant une solution robuste pour des scénarios de planification complexes où les méthodes traditionnelles échouent.