論文の概要: SEPO: Evidence-Grounded Prompt Optimization via Structural Editing

• arxiv url: http://arxiv.org/abs/2608.28067v1
• Date: Fri, 28 Aug 2026 08:37:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.254768
• Title: SEPO: Evidence-Grounded Prompt Optimization via Structural Editing
• Title（参考訳）: SEPO: 構造編集によるエビデンス周囲のプロンプト最適化
• Abstract要約: 本稿では,編集・効果系統フィードバックを中心とした多軌道プロンプトオプティマイザSEPOを紹介する。 各イテレーションを独立した全プロンプトリライトとして扱うのではなく、SEPOは2層プロンプトスキーマで安定した型付きユニットをローカルに編集する。
• 参考スコア（独自算出の注目度）: 21.801270626625424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing API-only prompt optimisers are often described as interpretable, but in practice, this usually means only post-hoc inspectability: each iteration still rewrites the prompt as one opaque string, leaving a trace of full-prompt diffs rather than localisable, machine-readable edits. This paper introduces SEPO (Structural, Evidence-grounded Prompt Optimization), a multi-trajectory prompt optimiser centred on edit-effect lineage feedback. Rather than treating each iteration as an isolated whole-prompt rewrite, SEPO locally edits stable, typed units in a two-layer prompt schema, links the target and realised structural operations of each edit to the examples it newly fixes or breaks, and carries this edit-effect record forward to guide later architect calls on the same search branch. This makes prompt optimisation addressable, attributable, and actionable. Across a 14-task held-out suite, SEPO improves over the strongest baseline, GEPA, by 3.1 pp on Llama-3.1-8B-Instruct and 2.2 pp on Qwen3-8B, reaching 61.9% and 73.3% macro accuracy. SEPO also lies on both the optimisation-time and test-time Pareto frontiers, spending 2.9M optimisation tokens versus 4.1M for GEPA and producing prompts over 5x shorter.
• Abstract（参考訳）: 既存のAPIのみのプロンプトオプティマイザは、しばしば解釈可能であると説明されるが、実際には、これは通常、保留後のインスペクタビリティのみを意味する: 各イテレーションは、プロンプトを1つの不透明な文字列として書き直し、ローカライズ可能なマシン可読な編集ではなく、フルプロンプトの差分をトレースする。 本稿では,SEPO (Structural, Evidence-grounded Prompt Optimization) を提案する。 それぞれのイテレーションを独立した全プロンプトリライトとして扱うのではなく、SEPOは2層プロンプトスキーマで安定的で型付けされたユニットをローカルに編集し、各編集のターゲットと実現された構造的操作を新たに修正または破棄した例にリンクし、この編集効果記録を転送して、後で同じ検索ブランチでの呼び出しをガイドする。 これにより、迅速な最適化がアドレス化可能、帰属可能、実行可能となる。 14タスクのホールドアウトスイート全体で、SEPOは最強のベースラインであるGEPAを3.1ppのLlama-3.1-8B-インストラクトで、2.2ppのQwen3-8Bで改善し、61.9%、73.3%のマクロ精度を達成した。 SEPOはまた、最適化時間とテスト時間の両方のパレートフロンティアにあり、GEPAの4.1Mに対して2.9Mの最適化トークンを使用し、5倍の短いプロンプトを生成する。

関連論文リスト

• Overcoming the Weakest-Link Effect in LLM-Driven Program Optimization via Heterogeneous Edit Recombination [59.679182823718556]
  HEROは、多様で重複しない原子編集を生成し、それから体系的に選択し、評価器スコアを用いてコヒーレントなプログラム改善に構成するプログラムである。 我々は,アルゴリズム問題,戦略ゲーム,LSMに基づくエージェントシステムの設計,ロボット経路計画などにわたるHEROを評価する。
  論文  参考訳（メタデータ） (2026-07-31T02:05:45Z)
• One Rewrite to Fix Them All? Type-Aware Repair Allocation for Text-to-Image Prompt Optimization [59.164665622252016]
  テキスト・トゥ・イメージ(T2I)ジェネレータは、間違ったカウント、スワップされた属性、あいまいな関係、不可解なテキストを生成し、そのプロンプトに忠実に従わないことが多い。 Prompt最適化は、ユーザプロンプトを書き換えて、ジェネレータの再トレーニングを必要としないことで、このような障害を修復する。 失敗する各命題は、結果のローカル制約が1つの実行可能なプロンプトにコンパイルされる前に、タイプ条件の修復演算子にルーティングされる。
  論文  参考訳（メタデータ） (2026-07-21T05:31:43Z)
• FAPO: Fully Automated Prompt Optimization of Multi-Step LLM Pipelines [27.787143341955698]
  FAPOは、Claude Codeが標準化されたフレームワーク内でLLMパイプラインを最適化することを可能にするフレームワークです。 FAPOはパイプラインを評価し、中間ステップを検査し、障害を診断し、スコープ変更を提案し、変種を検証する。 FAPOは18のモデルベンチマーク比較のうち15でベースラインのEPAを上回っている。
  論文  参考訳（メタデータ） (2026-06-17T21:16:45Z)
• Prompt Codebooks: Discrete Compositional Optimization for Language Model Instruction Refinement [10.441136483320205]
  本稿では,新しい合成プロンプト最適化フレームワークであるPrompt Codebooksを提案する。 これは、APOを自然言語本能の有限語彙上の離散学習であると再認識する。 ゼロショット以上は+30.36ポイントまで改善され、HotpotQAでは+3.34、アグリゲートでは+1.11で最強のベースライン(GEPA)を超える。
  論文  参考訳（メタデータ） (2026-05-27T11:57:12Z)
• BPPO: Binary Prefix Policy Optimization for Efficient GRPO-Style Reasoning RL with Concise Responses [48.550535291129584]
  GRPO型推論RLにおいて,全ての完了が等しく有用な更新信号を提供するか否かを検討する。 我々の勾配類似性分析は、同じプロンプト群において、同じクラス補完がしばしば非常に類似した更新方向を誘導することを示している。 本稿では,最短の修正完了と最短の修正完了をコンパクトな更新単位として利用するBPPO(Binary Prefix Policy Optimization)を提案する。
  論文  参考訳（メタデータ） (2026-05-27T06:34:17Z)
• POaaS: Minimal-Edit Prompt Optimization as a Service to Lift Accuracy and Cut Hallucinations on On-Device sLLMs [2.2406645586052925]
  小型言語モデル(sLLM)はデバイス上でますますデプロイされ、不完全なユーザプロンプトが事実エラーや幻覚を引き起こす。 我々は、各クエリを軽量なスペシャリストにルーティングする最小限のプロンプト最適化層であるPOを提案する。
  論文  参考訳（メタデータ） (2026-03-17T01:05:39Z)
• Modular Prompt Optimization: Optimizing Structured Prompts with Section-Local Textual Gradients [0.8604557306886812]
  本稿では,プロンプトを固定的なセマンティックセクションで構成される構造化オブジェクトとして扱うスキーマベースのプロンプト最適化フレームワークを提案する。 LLaMA-3 8B-Instruct と Mistral-7B-Instruct をソルバモデルとして用いて, ARC-Challenge と MMLU の2つの推論ベンチマークでMPOを評価した。
  論文  参考訳（メタデータ） (2026-01-07T16:20:08Z)
• ZERA: Zero-init Instruction Evolving Refinement Agent - From Zero Instructions to Structured Prompts via Principle-based Optimization [6.591649491003996]
  ZERAはシステムとユーザプロンプトを共同で最適化する新しいフレームワークである。 ZERAは自動的に推定される重み付き8つの一般化可能な基準を用いてプロンプトをスコアし、構造化された批判に基づいてプロンプトを改訂する。 推論,要約,コード生成タスクにまたがる5つの大きな言語モデルと9つの多様なデータセットのZERAを評価する。
  論文  参考訳（メタデータ） (2025-09-17T01:47:29Z)
• Maestro: Joint Graph & Config Optimization for Reliable AI Agents [53.71882250666667]
  Maestro は LLM エージェントのための全体論的に依存しないフレームワークであり、エージェントの品質を最大化するためにグラフや構成を共同で検索する。 IFBenchとHotpotQAのベンチマークでは、MIPROv2、GEPA、GEPA+といった主要なプロンプトを平均12%--4.9%、それぞれ4.86%上回っている。
  論文  参考訳（メタデータ） (2025-09-04T20:00:37Z)
• Making Prompts First-Class Citizens for Adaptive LLM Pipelines [46.59482681672941]
  当社のビジョンと,迅速な管理ギャップを埋める言語とランタイムであるSPEARの初期設計について説明する。 SPEARは、パイプライン内でプロンプトを構築し、適応する方法を管理するプロンプト代数を定義する。 プロンプト論理を構造化データとして扱うことで、SPEARは演算子融合、プレフィックスキャッシュ、ビュー再利用などの最適化を可能にする。
  論文  参考訳（メタデータ） (2025-08-07T03:49:56Z)
• DisProtEdit: Exploring Disentangled Representations for Multi-Attribute Protein Editing [48.819599672346136]
  DisProtEditは、デュアルチャネル自然言語管理を利用する制御可能なタンパク質編集フレームワークである。 DisProtEditは、明示的にセマンティックファクタを分離し、モジュールと解釈可能なコントロールを可能にする。
  論文  参考訳（メタデータ） (2025-06-17T06:12:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。