研究人员推出了GRASP，这是一种策略感知、多阶段的规划框架，旨在通过将流水线解耦为专用模块，为复杂任务生成高质量的自然语言可执行计划。该系统通过GenPlan预编译全局宏观指南，通过RevPlan探索局部策略，并使用称为VerPlan的多标准判别器评估轨迹。

  • GRASP在多个数据集上确立了新的前沿状态，在自然计划日历调度（Natural Plan Calendar Scheduling）上的准确率提升约12.4%，在ZebraLogic上的准确率提升约30.8%，优于直接LLM规划器。
  • 该框架消除了标准规划器中常见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%的绝对准确率增益。
  • 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，优势幅度达14.5%。

GRASP解决了LLM随着任务复杂度增加而出现的可靠性下降问题，为传统方法失效的复杂规划场景提供了稳健的解决方案。