연구자들은 표준 대규모 언어 모델이 일반적으로 신뢰성이 저하되는 복잡한 작업에 대해 고품질 자연어 실행 계획을 생성하도록 설계된 전략 인식 다단계 계획 프레임워크인 GRASP를 소개합니다. 이 시스템은 계획 파이프라인을 전문화된 모듈로 분리합니다: 전역 매크로 가이드라인을 위한 GenPlan, 지역적 전략 탐색을 위한 RevPlan, 그리고 독립적인 궤적 평가를 위한 VerPlan.

  • GRASP는 다양한 데이터셋 전반에서 새로운 최첨단 성능을 확립하며, 직접적인 LLM 계획자와 비교하여 Natural Plan Calendar Scheduling에서는 약 12.4%, ZebraLogic에서는 약 30.8%의 정확도 향상을 보입니다.
  • 이 프레임워크는 표준 계획자에서 관찰된 다중 작업 저하 패널티를 완전히 해소하여, 교차된 이중 작업 환경에서 최대 16.7%의 절대 정확도 향상을 달성합니다.
  • 문맥을 분리하고 엄격한 매크로 정규화를 강제함으로써 GRASP는 GPT-5-mini와 같은 최첨단 추론 모델보다 14.5%의 차이로 더 우수한 성능을 보입니다.

이 접근 방식은 작업 복잡도가 증가함에 따라 성능을 유지하는 과제를 해결하며, 직접적인 LLM 계획 방법 대비 상당한 개선을 제공합니다.