버클리·스탠퍼드 연구진, 강화학습 없이 LLM 최적화하는 GEPA 공개
UC 버클리와 스탠퍼드대, 데이터브릭스 연구진이 새로운 LLM 최적화 방법인 GEPA를 선보였다. 단순 수치 보상 기반의 고비용 강화학습 대신, 시스템 오류와 실행 기록을 자연어로 반성하고 프롬프트를 진화시켜 최대 35배 적은 시도로도 더 높은 성능을 낸다.
UC 버클리와 스탠퍼드대, 데이터브릭스 연구진이 새로운 LLM 최적화 방법인 GEPA를 선보였다. 단순 수치 보상 기반의 고비용 강화학습 대신, 시스템 오류와 실행 기록을 자연어로 반성하고 프롬프트를 진화시켜 최대 35배 적은 시도로도 더 높은 성능을 낸다.