Este artículo aborda el problema de que la planificación de tareas basada en modelos de lenguaje a gran escala (LLM) para la IA implementada y su correspondiente demostración humana puede degradar la calidad de las políticas debido a acciones innecesarias, exploración redundante y errores lógicos. Para abordar esto, proponemos un marco de validación iterativo en el que el LLM de juicio critica las secuencias de acción y el LLM de planificación aplica correcciones. Esto produce trayectorias progresivamente más limpias y espacialmente consistentes. A diferencia de los enfoques basados en reglas, se basa en indicaciones de lenguaje natural, lo que permite una amplia generalización en una variedad de tipos de error, incluyendo acciones irrelevantes, contradicciones y pasos omitidos. En un conjunto de acciones anotadas manualmente del conjunto de datos de IA de implementación de TEACh, el marco propuesto logra hasta un 90% de recuperación y un 100% de precisión contra cuatro LLM de última generación (GPT-4-mini, DeepSeek-R1, Gemini 2.5 y LLaMA 4 Scout). El ciclo de refinamiento converge rápidamente, con el 96,5% de las secuencias requiriendo solo tres iteraciones, mejorando tanto la eficiencia temporal como la composición espacial de la acción. Es importante destacar que este método respalda la investigación futura sobre comportamientos de corrección robustos, ya que preserva los patrones de recuperación de errores humanos sin interrumpirlos. Al establecer la validación de planes como una función LLM confiable para la planificación espacial y la mejora del comportamiento, proporciona una vía escalable para obtener datos de entrenamiento de alta calidad para el aprendizaje por imitación en la IA implementada.
