研究者らは、パイプラインを専門的なモジュールに分離することで複雑なタスクに対して高品質な自然言語実行可能プランを生成するよう設計された、戦略認識型のマルチステージ計画フレームワークであるGRASPを紹介している。システムはGenPlanを通じてグローバルなマクロガイドラインを事前コンパイルし、RevPlanによって局所的な戦略を検索し、VerPlanと呼ばれる多基準判別器を用いて軌道を評価する。

  • GRASPは多様なデータセット全体で新たな最先端の成果を確立し、Natural Plan Calendar Schedulingでは約12.4%、ZebraLogicでは約30.8%の精度向上をもたらした。これは直接LLMプランナーと比較した場合である。
  • このフレームワークは標準的なプランナーで見られるマルチタスクによる性能低下ペナルティを平坦化し、インターリーブされた二重タスク環境において最大16.7%の絶対的な精度向上を実現した。
  • コンテキストを分離し厳格なマクロ正則化を強制することで、GRASPはGPT-5-miniのような最先端の推論モデルを14.5%上回る性能を示した。

GRASPはタスクの複雑さが増すにつれてLLMの信頼性が低下する問題に対処し、従来の手法が失敗する複雑な計画シナリオに対して堅牢な解決策を提供する。