DiG-Plan：经扩散模型缓解工具图规划中的过早承诺

生成可执行工具计划需要从工具库中选择适当的子集，这是一个具有指数级大解决方案空间的组合搜索问题。然而，我们发现主要方法中存在一个严重的偏差：标准自回归（AR）解码受到早期承诺的影响，其中初始令牌选择严格限制搜索轨迹。一项对照研究表明，与匹配计算下的 AR 采样相比，掩模去噪将 Pass@10 解决方案覆盖率从 0.320 提高到 0.943。受此启发，我们提出了 DiG-Plan，一个将组合探索与结构细化分离的框架。 DiG-Plan 采用基于扩散的提议器通过迭代细化生成不同的工具集，然后使用 AR 细化器进行依赖性预测。在 TaskBench 上，DiG-Plan 相对 AR 基线提高了 10%，在复杂的合成任务上收益最大； API-Bank 结果表明，提议-细化-选择设计在跨领域仍然有效。代码可在 https://github.com/puddingyeah/DiG-Plan 获取。