基于仿真优化的语言模型预算受限提示词集扩展与精炼

一项新研究提出基于仿真优化的两阶段框架，在有限评估预算下扩展并精炼语言模型的初始提示词集以最大化任务得分。该框架先将提示词扩展为中等维度向量表示的候选集，随后构建得分代理模型进行序列评估，并引入精炼流程在初始候选集外展开搜索。数值实验表明，在模型调用评估预算受限时，该方法比基准选择方法取得了更高的提示词得分。