Automatic Prompt Optimization
PulseAugur coverage of Automatic Prompt Optimization — every cluster mentioning Automatic Prompt Optimization across labs, papers, and developer communities, ranked by signal.
-
新研究探索用于自动提示优化的模块化和递归方法
两篇新研究论文介绍了优化大型语言模型提示的新方法。第一篇SAPO将提示分解为角色、上下文和任务等部分，从而进行有针对性的改进，以提高在各种基准测试中的性能。第二篇RLMOpt利用递归语言模型来驱动优化过程本身，从而在多个任务和基准测试中实现更高效、更有效的提示生成，其性能通常优于GEPA等现有方法。
-
新方法改进了视觉语言模型的提示优化
研究人员开发了一种名为跨模态视觉反馈（CMVF）的新方法，以改进视觉语言模型（VLMs）的自动提示优化。传统方法存在局限性，因为当VLM失败时，它们不会分析输入图像，这阻碍了它们诊断视觉错误的能力。CMVF通过引入一个视觉诊断阶段来解决这个问题，在该阶段，一个更强大的VLM会检查失败的图像，以及一个错误感知聚合阶段，该阶段识别视觉盲点模式以优化提示。这种方法在各种VQA数据集和VLMs上始终优于现有方法，在不增加部署模型推理成本的情况…
-
新的TRAS框架稳定LLM提示优化
研究人员开发了一个名为TRAS（Textual Regularization with Aggregated Signals，带聚合信号的文本正则化）的新框架，以提高大型语言模型（LLM）提示优化的稳定性和效率。该方法通过整合来自成功预测的反馈（而不仅仅是失败）来解决现有自动提示优化（APO）技术中的语义漂移问题。TRAS还引入了蒙特卡洛信号聚合（MCSA）来过滤噪声信号，并正式化了自动提示迁移（APM）以适应不同模型版本或API提供商的提示。