GEPA 优化器改为批量候选提案，多数运行耗时减半
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载改动的具体做法
GEPA 属于反射式文本优化器：它通过让模型审视当前候选的表现来生成改进版本，再评估新版本，如此循环。原文指出，这一循环本身是资源消耗很大的负载，其串行结构会让并行评估能力闲置。作者的改法是让每个优化步骤一次性提出并评估一批候选，而不是一次只处理一个。论文把反射优化步骤可以并行扩展的维度梳理成若干轴，并对「固定优化预算如何在各轴之间分配」做了初步考察。代码已随论文公开。
实测的加速与分数
在两个任务上做的批量扫描中，多数批量运行的墙钟耗时降到原来的一半或更少，最快的一档约为原来的四分之一到三分之一。速度之外，批量设置还带来更高的留出测试分数：LiveBench-Math 在 2×2 配置下由 68.9% 提升到 72.1%，HoVer 在 8×1 配置下由 49.0% 提升到 60.0%。作者同时指出，批量设置在指标调用次数和美元预算上的使用效率也更高，也就是说，在同样的预算下能取得更好的结果。
运行时模型与适用边界
为解释实测加速，作者提出一个简单的运行时模型，用于描述在 worker 池规模有限时批量带来的收益。这一模型的意义在于：加速并非无条件成立，它取决于可用的并行 worker 数量与批量规模之间的匹配关系。论文的定位是首次考察固定优化预算在多个并行轴上的分配方式，篇幅为 9 页、7 张图，前四位作者贡献相同，发表于 NeurIPS 2026 的 Resource-Aware Agentic AI 工作坊。对使用 GEPA 或类似反射式优化流程的团队来说，可直接参照的结论是：把候选提案批量化，能在不增加预算的前提下同时改善耗时与效果。
为什么值得看
反射式文本优化的瓶颈在串行循环；把候选提案批量化后，耗时与成本同时下降，分数还上升，方法可直接复用。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。