:::اطلاعات
نویسندگان:
(1) Chengrun Yang، Google DeepMind و مشارکت Equal.
(2) Xuezhi Wang، Google DeepMind.
(3) Yifeng Lu، Google DeepMind؛
(4) Hanxiao Liu، Google DeepMind؛
(5) Quoc V. Le، Google DeepMind;
(6) دنی ژو، گوگل دیپ مایند؛
(7) مشارکت Xinyun Chen، Google DeepMind و Equal.
:::
جدول پیوندها
چکیده و 1. مقدمه
2 Opro: Llm به عنوان بهینه ساز و 2.1 Desirables of Optimization توسط Llms
2.2 طراحی Meta-Prompt
3 مثال انگیزشی: بهینه سازی ریاضی و 3.1 رگرسیون خطی
3.2 مشکل فروشنده دوره گرد (TSP)
4 کاربرد: بهینه سازی سریع و 4.1 راه اندازی مشکل
4.2 طراحی Meta-Prompt
5 آزمایش بهینه سازی سریع و 5.1 تنظیم ارزیابی
5.2 نتایج اصلی
5.3 مطالعات فرسایشی
5.4 تجزیه و تحلیل اضافه برازش در بهینه سازی سریع و 5.5 مقایسه با Evoprompt
6 کارهای مرتبط
7 نتیجه گیری، قدردانی و مراجع
برخی از موارد شکست
فرمت های درخواستی برای امتیازدهنده Llm
C Meta-Prompts و C.1 Meta-Prompt برای بهینه سازی ریاضی
C.2 Meta-Prompt برای بهینه سازی سریع
D منحنی‌های بهینه‌سازی سریع در کارهای باقی‌مانده Bbh
E بهینه سازی سریع در Bbh Tasks – دقت جدول بندی شده و دستورالعمل های یافت شده
C META- PROMPTS
C.1 META-PROMPT برای بهینه سازی ریاضی
\
:::info این مقاله در arxiv تحت مجوز CC0 1.0 DEED موجود است.
:::
\