首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

SPLICE:结构化提示局部迭代组合进化

2026-11-17 1 阅读 约2分钟阅读 Anish Acharya, Phillip Studans, Amit Dhanda, Sina Amini Niaki, Ninad Vivek Rao, Vishal Amarlal Khatri, Brian Verkhovsky
分享:
字号:
arXiv:2611.18883v1 公告类型:新 摘要:自然语言优化(NLO)通过模型批判和重写其自然语言策略参数来改进代理:系统提示、工具指令、推理指令、少量演示。这些工件是多部分文档,其中某些部分编码不得漂移的合同(安全条款、工具模式、输出格式),而其他部分则是合法的优化目标。大多数迭代 NLO 方法将工件视为单个可编辑字符串,产生三种反复出现的故障模式:不安全的全局重写、梁崩溃到单个谱系上以及未经检查的膨胀,这些都没有通过正式保证解决。我们引入了 SPLICE,这是一个统一的 NLO 框架,它将优化视为对块结构、选择性可变状态的编辑图的约束组合搜索。我们将每种故障模式映射到匹配的保证:(i)每个块的可变性逐字保留合同文本,并具有冻结价格界限; (ii) 具有多样性槽的精英集束搜索永远不会让领导者在验证上回归,通过指数尾部在嘈杂的重新评估下限制回归,并在存在时保留来自不同父代的竞争候选者; (iii) 比率长度正则化器具有明确的精度-长度偏差界限。候选者是根据双部分局部文本梯度提出的;在我们衡量其代理的提议者能力条件下,编辑图的可达性和收敛速度限制了改进子到达的速度。在 5 个复制协议下的 7 个公共基准测试中,SPLICE 在 4 项上获胜,在 3 项上与最强的先前方法相匹配。在生产式合同压力测试中,它保留了无约束优化器为了提高代理指标而牺牲的合同条款,而消融则将收益归因于批评和精英搜索。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱