研究人员开发了一种新颖的方法，通过解耦LLM的角色并利用跨层迁移来优化大型语言模型（LLM）的提示和代理程序。该方法涉及在更便宜的LLM层上运行大容量应答功能，同时为关键的反射和变异任务保留更强大的模型。该方法显著降低了搜索成本，在各种基准测试和模型系列中取得了与同层优化相当或更好的结果。 AI
影响 这种节省成本的优化技术可以通过降低计算费用来加速更强大的LLM代理的开发和部署。
排序理由 该集群包含一篇详细介绍LLM优化新方法的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.10694v1 Announce Type: cross Abstract: Evolutionary optimization of LLM prompts and agentic programs (e.g., GEPA) is dominated by fitness evaluation: scoring each candidate runs an answering LLM over a validation set, so the evaluator's price tier dictates total search…
Evolutionary optimization of LLM prompts and agentic programs (e.g., GEPA) is dominated by fitness evaluation: scoring each candidate runs an answering LLM over a validation set, so the evaluator's price tier dictates total search cost. We restructure that search by decoupling th…