研究人员推出了GRASP，这是一种策略感知、多阶段规划的框架，旨在为复杂任务生成高质量的自然语言可执行计划，因为在这些任务中，标准大语言模型的可靠性通常会下降。该系统将规划流程解耦为专用模块：GenPlan用于全局宏观指导，RevPlan用于探索局部策略，VerPlan用于独立的轨迹评估。

  • GRASP在多个数据集上确立了新的最先进水平，与直接的大语言模型规划器相比，在Natural Plan Calendar Scheduling上的准确率提升了约12.4%，在ZebraLogic上提升了约30.8%。
  • 该框架完全消除了标准规划器中观察到的多任务性能下降惩罚，在交错双任务环境中实现了高达16.7%的绝对准确率提升。
  • 通过隔离上下文并强制执行严格的宏观正则化，GRASP的表现优于GPT-5-mini等前沿推理模型，优势幅度为14.5%。

这种方法解决了随着任务复杂度增加而保持性能的挑战，相比直接的大语言模型规划方法提供了显著改进。