장기 목표를 수행하는 인공지능(AI) 에이전트의 효율적인 작동을 위해, 계획을 세우고 실행하는 과정에서 발생하는 예상치 못한 오류에 대응하는 능력이 중요해지고 있습니다. 최근 공개된 연구 '플랜앤패치(Plan-and-Patch)'는 확산 언어 모델(dLLM)을 활용하여 에이전트가 기존 계획의 일부만 수정함으로써 전체 계획을 다시 생성하는 비효율을 줄이고, 더 빠르고 정확하게 문제를 해결할 수 있는 새로운 접근법을 제시했습니다.
플랜앤패치는 에이전트가 구조화된 프로그램 형태의 계획을 병렬적으로 생성하고, 실행 중 문제가 발생하면 해당 부분만 선택적으로 수정하는 방식입니다. 연구팀은 드림리저너-8B(DreamReasoner-8B)와 큐웬3-8B(Qwen3-8B) 같은 확산 언어 모델과 기존의 자기회귀(autoregressive, AR) 모델을 비교했습니다. 그 결과, 특정 작업에 대한 훈련 없이도 확산 모델은 계획 수정 성공률에서 자기회귀 모델(27.0%)보다 거의 두 배 높은 53.7%를 기록했습니다. 또한, 에이전트 벤치마크인 ALFWorld와 TextCraft에서 작업별 훈련을 거친 후에는 확산 모델이 자기회귀 모델 대비 계획 생성 지연 시간을 39~46% 단축하는 성능을 보였습니다.
이 연구는 장기 목표를 가진 AI 에이전트의 실용성을 크게 높일 수 있는 중요한 진전입니다. 기존에는 계획의 일부가 실패하면 전체 계획을 처음부터 다시 생성해야 하는 비효율이 있었지만, 플랜앤패치 프레임워크는 필요한 부분만 '패치'하듯 수정함으로써 시간과 자원을 절약합니다. 이는 자율 주행, 로봇 공학, 복잡한 소프트웨어 개발 등 여러 단계에 걸쳐 정교한 계획과 유연한 수정이 필수적인 분야에서 AI 에이전트의 신뢰성과 효율성을 향상시키는 데 기여할 것으로 기대됩니다.