ReCode : Unifier le plan et l'action pour un contrôle granulaire universel

papers.abstract

Les tâches du monde réel nécessitent des décisions à différents niveaux de granularité, et les humains excellent dans ce domaine en exploitant une représentation cognitive unifiée où la planification est fondamentalement comprise comme une forme d'action de haut niveau. Cependant, les agents actuels basés sur les grands modèles de langage (LLM) manquent de cette capacité cruciale pour opérer fluidement à travers les granularités décisionnelles. Cette limitation découle des paradigmes existants qui imposent une séparation rigide entre la planification de haut niveau et l'action de bas niveau, ce qui altère l'adaptabilité dynamique et limite la généralisation. Nous proposons ReCode (Génération de Code Récursive), un nouveau paradigme qui résout cette limitation en unifiant la planification et l'action au sein d'une unique représentation codée. Dans cette représentation, ReCode traite les plans de haut niveau comme des fonctions abstraites réservées, que l'agent décompose ensuite récursivement en sous-fonctions plus fines jusqu'à atteindre des actions primitives. Cette approche récursive dissout la frontière rigide entre le plan et l'action, permettant à l'agent de contrôler dynamiquement sa granularité décisionnelle. De plus, la structure récursive génère intrinsèquement des données d'entraînement riches et multi-granularités, permettant aux modèles d'apprendre des processus décisionnels hiérarchiques. Des expériences approfondies montrent que ReCode surpasse significativement les modèles de référence avancés en performance d'inférence et démontre une exceptionnelle efficacité des données lors de l'entraînement, validant notre idée centrale qu'unifier planification et action via la génération récursive de code est une approche puissante et efficace pour atteindre un contrôle universel de la granularité. Le code est disponible à l'adresse https://github.com/FoundationAgents/ReCode.

English

Real-world tasks require decisions at varying granularities, and humans excel at this by leveraging a unified cognitive representation where planning is fundamentally understood as a high-level form of action. However, current Large Language Model (LLM)-based agents lack this crucial capability to operate fluidly across decision granularities. This limitation stems from existing paradigms that enforce a rigid separation between high-level planning and low-level action, which impairs dynamic adaptability and limits generalization. We propose ReCode (Recursive Code Generation), a novel paradigm that addresses this limitation by unifying planning and action within a single code representation. In this representation, ReCode treats high-level plans as abstract placeholder functions, which the agent then recursively decomposes into finer-grained sub-functions until reaching primitive actions. This recursive approach dissolves the rigid boundary between plan and action, enabling the agent to dynamically control its decision granularity. Furthermore, the recursive structure inherently generates rich, multi-granularity training data, enabling models to learn hierarchical decision-making processes. Extensive experiments show ReCode significantly surpasses advanced baselines in inference performance and demonstrates exceptional data efficiency in training, validating our core insight that unifying planning and action through recursive code generation is a powerful and effective approach to achieving universal granularity control. The code is available at https://github.com/FoundationAgents/ReCode.

ReCode : Unifier le plan et l'action pour un contrôle granulaire universel

ReCode: Unify Plan and Action for Universal Granularity Control

papers.abstract

Support