研究人员开发了DecoEvo，一个用于通过文本空间编辑优化大型语言模型（LLM）的新颖框架。与依赖固定评估标准的先前方法不同，DecoEvo协同进化了求解器技能和评分标准生成器技能。这种解耦方法使用标准级别的反馈来训练求解器，并对评分标准生成器进行独立审计，确保评估标准能够适应新暴露的求解器弱点。DecoEvo已展示出显著的性能提升，在五个基准测试和三个LLM骨干模型上，相较于SkillOpt等现有方法取得了2.8%至5.0%的相对改进。 AI
影响 这项研究通过允许评估标准与模型能力同步进化，可能带来更有效和更具适应性的LLM优化技术。
排序理由 该集群描述了一篇关于LLM优化新方法的详细研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.25675v1 Announce Type: new Abstract: Text-space optimization adapts large language models (LLMs) by editing external natural-language artifacts rather than model weights, so the optimized artifacts remain inspectable and the model can be treated as a black box. However…
Text-space optimization adapts large language models (LLMs) by editing external natural-language artifacts rather than model weights, so the optimized artifacts remain inspectable and the model can be treated as a black box. However, most existing text-space methods keep evaluati…