Pesquisadores apresentam o GRASP, um framework de planejamento multiestágio e consciente de estratégia, projetado para gerar planos executáveis em linguagem natural de alta qualidade para tarefas complexas nas quais os Grandes Modelos de Linguagem (LLMs) padrão normalmente têm sua confiabilidade degradada. O sistema desacopla o pipeline de planejamento em módulos especializados: GenPlan para diretrizes macro globais, RevPlan para explorar estratégias localizadas e VerPlan para avaliação independente de trajetória.

  • GRASP estabelece um novo estado da arte em diversos conjuntos de dados, gerando ganhos de precisão de ~12,4% no Natural Plan Calendar Scheduling e ~30,8% no ZebraLogic em comparação com planejadores de LLM diretos.
  • O framework elimina completamente a penalidade de degradação multi-tarefa observada em planejadores padrão, alcançando um ganho absoluto de precisão de até 16,7% em ambientes de tarefas duplas intercaladas.
  • Ao isolar o contexto e impor rigorosa regularização macro, o GRASP supera modelos de raciocínio de ponta como GPT-5-mini por uma margem de 14,5%.

Esta abordagem aborda o desafio de manter o desempenho à medida que a complexidade da tarefa aumenta, oferecendo melhorias significativas em relação aos métodos de planejamento direto de LLMs.