DiSCO 為文字生成圖像加入黑箱安全防護
DiSCO 是一種零樣本、黑箱式防禦方法，透過最佳化提示詞降低文字生成圖像模型產生有害內容的機率。它利用分佈導向的後綴擴展，以及安全與不安全圖像池的對比評分，在 I2P 基準測試中最多可降低 37.7% 的攻擊成功率。
Search
Tag: #prompt-optimization13 results
SAPO 讓提示詞優化走向模組化
SAPO 是一種分段式自動提示詞優化方法，能分別改善提示詞中的角色、背景、任務與輸出格式。其在五項基準測試及 GPT-3.5-Turbo 與 GPT-4o-mini 上，平均表現優於 zero-shot prompting 與多種強大的 APO 基線方法。
🔬
VizPy 達成 97% 專家級類比電路佈局品質
VizPy 的提示優化讓 LLM 在無訓練資料下，達成類比積體電路佈局 97% 專家品質。它透過失敗-成功配對改善佈局推理。部落格詳述方法與基準測試。
VISTA 逃脫提示優化黑箱困境
反射式 APO 方法如 GEPA 因黑箱問題，在缺陷種子上將 GSM8K 準確率從 23.81% 降至 13.50%。VISTA 多代理框架將假設生成與重寫分離，提供可解釋且穩健的優化。它在相同種子上恢復至 87.57% 準確率，並在 GSM8K 與 AIME2025 上超越基準。
FoT：動態LLM推理優化框架
FoT 推出通用框架，用於大型語言模型的動態推理方案，克服 Chain of Thought、Tree of Thoughts 和 Graph of Thoughts 的靜態結構限制。它具備超參數調整、提示優化、並行執行和快取功能，以提升效能。開源程式碼展示更快的執行速度、更低成本和更高的任務分數。
TAPR 重寫提示詞，提升 LLM 表現
TAPR 是一款任務感知提示詞重寫器，經訓練可將使用者提示詞轉換為針對任務最佳化的指令，以提升下游 LLM 表現。在問答、摘要與算術推理等任務中，實驗顯示其能帶來穩定的效能提升，包括 Natural Questions 與 GSM8K。
AWS 生成式 AI 模型敏捷解決方案：LLM 遷移指南
AWS 推出生成式 AI 生產中 LLM 遷移或升級的系統性框架。框架提供提示轉換與優化的工具、方法論及最佳實踐。這可實現不同 LLM 間的無縫過渡。
CAP-CoT 提升 LLM 思考鏈穩定性
CAP-CoT 提出循環對抗提示框架，提升大型語言模型（LLM）中思考鏈（CoT）推理的準確性和穩定性。正向求解器產生推理鏈，對抗挑戰者使用針對性錯誤策略製造有瑕疵鏈，反饋代理對比兩者並產生步驟對齊的結構化反饋。在 2-3 個循環後，六個基準測試和四個 LLM 骨幹顯示變異性降低及魯棒性提升。
⚙️
x570 多GPU：交換 CUDA 順序雙倍提示速度
x570 主機板上的非對稱 x16/x4 PCI-E 通道預設讓 CUDA0 使用慢速 x4 槽，導致 llama.cpp 提示處理瓶頸。設定 export CUDA_VISIBLE_DEVICES="1,0" 優先使用 x16 GPU，將 MoE 模型速度從 70 t/s 提升至 140 t/s。使用 nvtop 或 lspci 驗證通道後再套用。
建構、評判、優化：多代理購物助理藍圖
這篇 arXiv 論文提出評估與優化多代理對話式購物助理的藍圖，聚焦雜貨購物的挑戰如請求不完整。介紹多面向評估量規與對齊人類註解的 LLM-as-judge 管道。提出 Sub-agent GEPA 與新型 MAMuT GEPA 進行提示優化，並釋出實務模板。