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 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
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…
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…