هوش مصنوعی
بهینه‌سازی خودکار پرامپت برای مدل‌های استدلال‌گر قوی، بهبود معناداری نشان نداد
پژوهشی روی چهار خانوادهٔ بهینه‌ساز و هشت وظیفه، برای جست‌وجوی ساختاریافته افزایش آماریِ معناداری در دقت پیدا نکرد؛ اما ساختار ثابت در طراحی پرامپت از افت شدید برخی اجراها جلوگیری کرد.
پژوهشگران در پیش‌چاپی در arXiv فرض رایجِ بهبود عملکرد با بهینه‌سازی خودکار پرامپت را روی مدل‌های استدلال‌گر پیشرفته سنجیده‌اند. آن‌ها چهار خانوادهٔ بهینه‌ساز—جست‌وجوی ژنومی، جهش هدایت‌شده با پروفایل، GEPA و ESPO—را در هشت وظیفه ارزیابی کردند. نتیجه این بود که جست‌وجوی ساختاریافته در این آزمایش‌ها افزایش دقتی با معناداری آماری ایجاد نکرد.
بااین‌حال، پژوهش نشان می‌دهد ساختار ژنومیِ گسسته برای پایداری معماری اهمیت دارد: جست‌وجوی بدون محدودیت در سه مورد از پنج اجرا به‌طور دووجهی به سطح عملکرد داور سقوط کرد. چکیده همچنین به ارزیابی روی ۱۹۰ مسئله در معیارهای دانش‌محور اشاره می‌کند، اما متن در دسترس جزئیات بیشتری از نتایج آن بخش ارائه نمی‌دهد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده