研究人员开发了一种新的方法ESPO（错误结构化提示优化），以提高进化提示优化器的效率和准确性。ESPO通过将优化分解为三个阶段来解决提示膨胀等问题：诊断错误、提出多样化候选方案和稳定选择。与之前的最先进方法GEPA相比，这种方法在七个NLP基准测试中的平均准确率提高了3.76个百分点。此外，ESPO生成的提示在推理时速度更快，长度缩短了47%，并且在Gemma 3 12B、Mistral 14B、Qwen3 32B和Claude Haiku 4.5等各种LLM上都表现出了一致的性能提升。 AI
影响 这项研究通过缩短提示长度和减少推理时间，有望实现更高效、更准确的LLM部署。
排序理由 该集群描述了一篇关于NLP提示优化新方法的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
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:2609.04197v1 Announce Type: cross Abstract: Evolutionary prompt optimizers such as GEPA suffer from prompt bloat: each iteration appends rules and caveats, producing prompts up to 3$\times$ longer yet no more accurate. We trace this to three deficiencies - incomplete error …
Evolutionary prompt optimizers such as GEPA suffer from prompt bloat: each iteration appends rules and caveats, producing prompts up to 3$\times$ longer yet no more accurate. We trace this to three deficiencies - incomplete error observation, limited search diversity, and unrelia…