PlanGEN: Un marco multiagente para generar trayectorias de planificación y razonamiento para la resolución de problemas complejos.

PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving

February 22, 2025

Autores: Mihir Parmar, Xin Liu, Palash Goyal, Yanfei Chen, Long Le, Swaroop Mishra, Hossein Mobahi, Jindong Gu, Zifeng Wang, Hootan Nakhost, Chitta Baral, Chen-Yu Lee, Tomas Pfister, Hamid Palangi

cs.AI

Resumen

Los marcos de agentes y algoritmos de inferencia actuales a menudo enfrentan dificultades con problemas de planificación complejos debido a limitaciones en la verificación de planes generados o en el razonamiento y la complejidad variable de instancias dentro de una sola tarea. Muchos métodos existentes para estas tareas realizan verificación a nivel de tarea sin considerar restricciones, o aplican algoritmos de tiempo de inferencia sin adaptarse a la complejidad a nivel de instancia. Para abordar estas limitaciones, proponemos PlanGEN, un marco de agentes agnóstico al modelo y fácilmente escalable con tres componentes clave: agentes de restricción, verificación y selección. Específicamente, nuestro enfoque propone verificación iterativa guiada por restricciones para mejorar el rendimiento de algoritmos de tiempo de inferencia: Best of N, Tree-of-Thought y REBASE. En el marco de PlanGEN, el agente de selección optimiza la elección del algoritmo basándose en la complejidad de la instancia, asegurando una mejor adaptabilidad a problemas de planificación complejos. Los resultados experimentales muestran mejoras significativas sobre la línea base más sólida en múltiples puntos de referencia, logrando resultados de vanguardia en NATURAL PLAN (sim8%uparrow), OlympiadBench (sim4%uparrow), DocFinQA (sim7%uparrow) y GPQA (sim1%uparrow). Nuestro hallazgo clave destaca que la verificación iterativa guiada por restricciones mejora los algoritmos de tiempo de inferencia, y la selección adaptativa impulsa aún más el rendimiento en problemas de planificación y razonamiento complejos.

English

Recent agent frameworks and inference-time algorithms often struggle with complex planning problems due to limitations in verifying generated plans or reasoning and varying complexity of instances within a single task. Many existing methods for these tasks either perform task-level verification without considering constraints or apply inference-time algorithms without adapting to instance-level complexity. To address these limitations, we propose PlanGEN, a model-agnostic and easily scalable agent framework with three key components: constraint, verification, and selection agents. Specifically, our approach proposes constraint-guided iterative verification to enhance performance of inference-time algorithms--Best of N, Tree-of-Thought, and REBASE. In PlanGEN framework, the selection agent optimizes algorithm choice based on instance complexity, ensuring better adaptability to complex planning problems. Experimental results demonstrate significant improvements over the strongest baseline across multiple benchmarks, achieving state-of-the-art results on NATURAL PLAN (sim8%uparrow), OlympiadBench (sim4%uparrow), DocFinQA (sim7%uparrow), and GPQA (sim1%uparrow). Our key finding highlights that constraint-guided iterative verification improves inference-time algorithms, and adaptive selection further boosts performance on complex planning and reasoning problems.