כתבה
arXiv cs.CL ·
ESPO: אופטימיזציה של פרומפטים
ESPO: Error-Structured Prompt Optimization via Diagnose, Diversify, and Stabilize
ESPO היא שיטה חדשה לאופטימיזציה של פרומפטים. היא משפרת את דיוק הפרומפטים על ידי זיהוי שגיאות, הצעת מועמדים ובחירה יציבה. ESPO נבדקה על מודלים כמו Qwen ו-Claude.
תקציר מקורי באנגליתarXiv:2609.04197v1 Announce Type: new 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 observation, limited search diversity, and unreliable selection - and propose ESPO (Error-Structured Prompt Optimization), which decomposes prompt optimization into three phases: Diagnose clusters all training errors into structural patterns in one round; Propose generates candidates via four complementary strategies with independent biases; Select applies bootstrap stability selection. On seven public NLP benchmarks - Tweet, MMLU, GSM8K, HotpotQA, ScoNe, HoVer, and PUPA - ESPO improves average accuracy by $+$3.76 pp
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית