MIPROv2
PulseAugur coverage of MIPROv2 — every cluster mentioning MIPROv2 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
LLM网关路由切换器捕获数据以优化提示
Skelf-Research开发的路由切换器LLM网关，通过捕获和利用调用数据，为改进提示提供了一种新颖的方法。与仅仅路由请求并丢弃提示数据的传统网关不同，路由切换器将每次交互都存储在SQLite数据库中。然后，通过包括生成、贝叶斯优化和评估在内的六个步骤，利用捕获的数据来迭代地优化提示。该系统支持OpenAI、Anthropic和Google等多个LLM提供商，并通过模仿OpenAI API来设计，易于集成。
-
新框架优化LLM代理提示以用于信息检索
研究人员开发了一个名为Contrastive Reflection的新迭代提示优化框架，旨在提高大型语言模型（LLM）代理在信息检索任务中的性能。该框架通过识别错误锚定的行为切片、整合成功示例和提出有针对性的编辑来专注于调试和改进提示。该系统旨在使提示修复更具可检查性和验证驱动性，在公开的HotpotQA检索增强问答设置中显示出准确性方面的显著提高。
-
新基准测试表明，提示优化可能会削弱大型语言模型的对抗性鲁棒性
开发了一个新的基准测试，以研究大型语言模型（LLMs）的提示优化技术是否会削弱它们对抗恶意攻击（特别是提示注入）的鲁棒性。初步研究结果表明，虽然提示优化可以提高在干净数据集上的准确性，但可能会导致对抗提示注入攻击的安全性下降。该基准测试旨在弥合提示优化和提示注入研究社区之间的差距，这两个社区历史上一直独立运作。
-
CANTANTE框架通过信用分配优化LLM多智能体系统
研究人员开发了CANTANTE，一个旨在优化基于大型语言模型的多智能体系统配置的新框架。该系统通过将奖励分解为每个智能体的更新信号，解决了仅有系统级分数时分配性能功劳的挑战。CANTANTE在编程、数学推理和问答任务上进行了评估，与现有方法和未优化提示相比，它表现出更优越的性能，同时还降低了推理成本。
-
Agent Capsules 优化 LLM 管道以实现效率和质量控制
研究人员开发了“Agent Capsules”，一个旨在优化多智能体大型语言模型（LLM）管道的自适应运行时系统。该系统解决了合并智能体调用以节省 token 与潜在质量下降之间的权衡问题。Agent Capsules 根据经验质量约束动态选择复合执行策略，确保性能与 LangGraph 和 DSPy 等现有方法相当或更优，同时显著减少 token 使用量。