Plan-and-Patch: Difüzyon Dil Modelleri Uzun Vadeli Ajan Planlamasını Nasıl Dönüştürüyor?

Syamantak Kumar liderliğindeki araştırma ekibi tarafından 7 Ekim 2026'da arXiv'de yayımlanan "Plan-and-Patch: Diffusion Language Models for Agentic Planning" başlıklı makale, uzun vadeli (long-horizon) yapay zeka ajanlarının plan oluşturma ve dinamik hata onarımı süreçlerinde çığır açan bir yaklaşım sunuyor. Geleneksel otoregresif (AR) dil modellerinin aksine paralel maske kaldırma ve hedef odaklı bölgesel yama (patching) mekanizmalarını kullanan difüzyon dil modelleri (dLLM), ajanların çevre koşullarındaki değişimlere çok daha hızlı ve hatasız uyum sağlamasını mümkün kılıyor.

Uzun Vadeli Ajanlar İçin Planlama ve Bölgesel Onarım Zorunluluğu

Yapay zeka ajanlarının birden fazla adımdan oluşan karmaşık görevleri başarıyla yürütebilmesi; alt hedeflerin koordine edilmesini, araç kullanımını ve ara çıktıların yönetilmesini gerektiriyor. Ancak ajanlar çalışırken çevre koşulları değişebilir, kullanılan harici araçlar beklenmeyen sonuçlar döndürebilir veya plan adımları başarısız olabilir. Bu tür durumlarda tüm planı baştan oluşturmak gereksiz hesaplama maliyetlerine yol açarken, mevcut yapının bozulması riskini de beraberinde getiriyor.

Plan-and-Patch çerçevesi, planın tamamını silip yeniden üretmek yerine, hatalı veya geçersiz kılınan bölgeyi önceki ve sonraki adımların yapısını (prefix ve suffix) sabit tutarak yeniden biçimlendiriyor. Bu sayede program benzeri yapısal planlar, çevre geri bildirimlerine göre güvenli bir şekilde onarılabiliyor.

Otoregresif Modellere Karşı Performans ve Hız Karşılaştırması

Araştırma ekibi, difüzyon ve otoregresif planlayıcıların performansını kıyaslamak amacıyla DreamReasoner-8B ve Qwen3-8B modellerini test etti. Elde edilen veriler, iki yaklaşım arasındaki performans farkını net bir şekilde ortaya koyuyor:

- Doğrulanmış Plan Onarım Başarısı: Görev spesifik bir eğitime ihtiyaç duyulmaksızın gerçekleştirilen Natural Plan testlerinde, difüzyon tabanlı planlayıcılar %53.7 başarı oranına ulaştı. Bu oran, otoregresif modellerin elde ettiği %27.0'lık başarının neredeyse iki katına denk geliyor. - Gecikme Süresi İyileştirmesi: ALFWorld ve TextCraft gibi agentik kıyaslama testlerinde görev odaklı eğitim sonrasında her iki yaklaşım benzer plan üretim başarıları sergilese de, difüzyon tabanlı model plan üretim gecikmesini otoregresif modellere kıyasla %39 ila %46 oranında azalttı.

Ajanik Yapay Zeka Ekosistemindeki Yeri

Ekim 2026 dönemi, yapay zeka literatüründe ajan tabanlı sistemlerin kendi kendini iyileştirme, doğrulama ve yörünge tabanlı komut çevirisi gibi alanlarda yoğun bir optimizasyon sürecinden geçtiğini gösteriyor. Plan-and-Patch bu ekosistemde, özellikle çok adımlı etkileşim gerektiren ajan mimarilerinin hesaplama yükünü hafifleten kritik bir ara katman çözümü olarak konumlanıyor.

Sistem, program benzeri yapıları paralel açma yöntemiyle işleyerek ajanların mantıksal tutarlılığını korumasını sağlıyor. Araştırmacılar, bu yaklaşımın uzun vadeli görevler yürüten yapay zeka ajanlarında hem verimliliği artırdığını hem de hata toleransını üst seviyeye taşıdığını kanıtlamış durumda.