論文の概要: Batching the Reflective Optimization Loop: Parallel Proposals Make GEPA Faster and Better
- arxiv url: http://arxiv.org/abs/2610.36774v1
- Date: Tue, 27 Oct 2026 07:41:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.537341
- Title: Batching the Reflective Optimization Loop: Parallel Proposals Make GEPA Faster and Better
- Title（参考訳）: 反射最適化ループのバッチ化: 並列提案によってGEPAの高速化と改善
- Abstract要約: 本稿では,各最適化ステップにおいて,1つの候補ではなく,複数の候補を同時に提案し,評価する。
ほとんどのバッチ実行はウォールクロック時間の半分以下で完了し、約4分の1から3分の1で最速となった。
私たちは、反射的最適化ステップが並列にスケール可能な軸をフレーム化し、それらをまたいだ固定された最適化予算の割り当てを初めて検討します。
- 参考スコア（独自算出の注目度）: 43.42663595740343
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reflective text optimization makes agentic systems better, but the optimization loop is itself a resource-hungry workload whose sequential structure leaves parallel evaluation capacity idle. We extend the open-source GEPA optimizer to propose and evaluate a batch of candidates on each optimization step instead of one candidate at a time. In our sweep on two tasks, most batched runs finished in half the wall-clock time or less, and the fastest in about a quarter to a third. Batched settings also achieved higher held-out test scores, from 68.9% to 72.1% on LiveBench-Math (with $2\times2$) and from 49.0% to 60.0% on HoVer (with $8\times1$). A simple runtime model explains the measured speedups under a finite worker pool, and batched settings also spend their metric-call and dollar budgets more efficiently. We frame the axes along which a reflective optimization step can scale in parallel, a first look at allocating a fixed optimization budget across them.
- Abstract（参考訳）: リフレクティブテキスト最適化はエージェントシステムをより良くするが、最適化ループ自体がリソース不足のワークロードであり、シーケンシャルな構造は並列評価能力のアイドルを残している。
我々は、オープンソースのGEPAオプティマイザを拡張して、各最適化ステップにおける候補のバッチを、一度に1つの候補ではなく提案し、評価する。
2つのタスクを網羅してみると、ほとんどのバッチ実行はウォールタイムの半分以下で完了し、約4分の1から3分の1で最速でした。
バッチ設定はまた、LiveBench-Mathで68.9%から72.1%($2\times2$)、HoVerで49.0%から60.0%($8\times1$)という高いホールトアウトテストスコアを達成した。
単純なランタイムモデルでは、有限ワーカプール下での測定スピードアップを説明し、バッチ設定では、メトリックコールとドル予算をより効率的に使用することもできる。
私たちは、反射的最適化ステップが並列にスケール可能な軸をフレーム化し、それらをまたいだ固定された最適化予算の割り当てを初めて検討します。
関連論文リスト
- Beyond Scaling: Self-Evolving LLM Agents for Hardware Kernel Optimization via an Experience-Driven Workflow and Experience Graph Memory [19.236924182307085]
既存のカーネル最適化エージェントは、決定、その観察された実行フィードバック、そしてその証拠を使用する後の決定をほとんど保存しない。
ハードウェアカーネル最適化のための経験駆動型フレームワーク KOPE を提案する。
論文 参考訳（メタデータ） (2026-08-26T09:27:39Z) - Do Agent Optimizers Compound? A Continual-Learning Evaluation on Terminal-Bench 2.0 [53.71882250666667]
エージェント最適化法で報告されているほとんどの利得はワンショットである。
これは、デプロイされたエージェントにとって重要な設定をテストするものではない。
エージェントハーネス最適化に対する3つのアプローチを比較する。
論文 参考訳（メタデータ） (2026-07-15T16:36:04Z) - optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。
LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
論文 参考訳（メタデータ） (2026-05-19T10:18:12Z) - Prompt Optimization Is a Coin Flip: Diagnosing When It Helps in Compound AI Systems [9.989306175511238]
複合AIシステムにおける迅速な最適化は、コインフリップと統計的に区別できないことを示す。
18,000のグリッド評価と144の最適化を実行し、エンドツーエンドの最適化ツールの背後にある2つの仮定をテストする。
エージェントカップリングのための80ドルのANOVAプリテストと10分間のヘッドルームテストである。
論文 参考訳（メタデータ） (2026-04-16T03:23:46Z) - Simplifying Bayesian Optimization Via In-Context Direct Optimum Sampling [18.852567298468742]
代理フィッティングや獲得関数の最適化を必要としないBOに対して,完全にコンテキスト内ゼロショットのソリューションを提案する。
これは、事前訓練されたコンテキストモデルを使用して、最適点上の後方から直接サンプリングする。
プロセスベースBOと比較して,壁面時間で35倍以上の効率向上を実現した。
論文 参考訳（メタデータ） (2025-05-29T18:07:36Z) - A Problem-Oriented Perspective and Anchor Verification for Code Optimization [43.28045750932116]
大規模言語モデル(LLM)は、様々なプログラミングタスクを解く際、顕著な能力を示している。
本稿では,LLMが最小実行時間に最適化する能力について検討する。
論文 参考訳（メタデータ） (2024-06-17T16:10:10Z) - Large Language Models as Optimizers [106.52386531624532]
本稿では,大規模言語モデル (LLM) をプロンプトとして活用するためのシンプルで効果的な手法である Prompting (OPRO) を提案する。
各最適化ステップにおいて、LLMは、前述した値を含むプロンプトから新しい解を生成する。
OPROにより最適化された最良のプロンプトは、GSM8Kで最大8%、Big-Bench Hardタスクで最大50%向上することを示した。
論文 参考訳（メタデータ） (2023-09-07T00:07:15Z)
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。