论文提出筛选任务与检索成功轨迹来改进提示优化器。
资讯摘要
论文指出，GEPA 等反思式提示优化器从失败轨迹中学习时，失败可能源于提示缺陷、执行框架限制、随机执行或评审噪声，未必提供有效学习信号甚至有害。作者提出 GEPA-Curator，包含任务筛选（过滤噪声或不稳定学习信号的任务）与历史成功轨迹检索（为优化器补充上下文）两部分。在 GoBrowse、ALFWorld、AppWorld 和 τ-bench 上，以 Gemini 3.1 Pro 和 Claude Opus 5 作为优化器模型评测，作者报告其平均表现持平或超过基线，相对 GEPA 最高提升 20.7%，相对 ACE 最高提升 21.2%。
要点速读
- 论文认为智能体失败可能来自提示、执行框架、随机性或评审噪声，不一定是有用的学习信号。
- GEPA-Curator 由任务筛选和历史成功轨迹检索两个组件构成。
- 作者报告在四个基准、两种优化器模型上相对 GEPA 最高提升 20.7%，相对 ACE 最高提升 21.2%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。