伯克利与斯坦福推出 GEPA：无需昂贵强化学习，试错轮次省下 35 倍
UC Berkeley、斯坦福与 Databricks 联合提出新型优化方法 GEPA。它摒弃了传统强化学习依赖标量打分的暴力试错，转而让大模型分析执行日志和报错信息，靠自然语言反思迭代提示词，用少 35 倍的试错轮次实现了更优表现。
UC Berkeley、斯坦福与 Databricks 联合提出新型优化方法 GEPA。它摒弃了传统强化学习依赖标量打分的暴力试错，转而让大模型分析执行日志和报错信息，靠自然语言反思迭代提示词，用少 35 倍的试错轮次实现了更优表现。