arXiv cs.AI· Jialin Zhang, Lakshya A Agrawal, Shangyin Tan, Donghyun Lee, Lutfi Eren Erdogan, Dan Klein, Koushik Sen, Alex Dimakis, Matei Zaharia·· 12 小时前AI 评分31
GEPA 优化器引入批量反思优化：并行候选让优化更快更好
Batching the Reflective Optimization Loop: Parallel Proposals Make GEPA Faster and Better
AI 导读
开源优化器 GEPA 被扩展为每步批量提出并评估多个候选，而非逐个处理。在两个任务上，多数批量运行耗时减半，最快约为原来的四分之一到三分之一；LiveBench-Math 测试分数从 68.9% 升至 72.1%（2×2），HoVer 从 49.0% 升至 60.0%（8×1）。批量设置还更高效地使用指标调用与美元预算。
正文 · AI 翻译
摘要：反思式文本优化能让智能体系统变得更好，但优化循环本身就是一个资源消耗巨大的工作负载，其串行结构使并行评估能力处于闲置状态。我们扩展了开源 GEPA 优化器，使其在每个优化步骤中提出并评估一批候选，而不是一次只评估一个候选。在我们对两个任务的扫描中，大多数批量运行在不到一半的实际耗时内完成，最快的约为四分之一到三分之一。批量设置还取得了更高的留出测试分数：在 LiveBench-Math 上从 68.9% 提升到 72.1%（使用 $2\times2$），在 HoVer 上从 49.0% 提升到 60.0%（使用 $8\times1$）。一个简单的运行时模型解释了在有限工作池下测得的加速，批量设置也更高效地使用其指标调用和美元预算。我们界定了反思式优化步骤可以并行扩展的各个维度，这是对在它们之间分配固定优化预算的初步探索。
| 评论： | NeurIPS 2026 资源感知智能体 AI 研讨会。9 页，7 幅图。前四位作者贡献相同。代码：此 https URL |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.36774 [cs.AI] |
| （或 arXiv:2610.36774v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36774 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jialin Zhang [查看电子邮件]
[v1]
2026 年 10 月 27 日星期二 07:41:40 UTC（211 KB）
来源：arXiv cs.AI · arxiv.org