Il Framework Agent-GWO Introduce Agenti Collaborativi per l'Ottimizzazione Dinamica dei Prompt nei LLM

Un nuovo framework chiamato Agent-GWO affronta le limitazioni nell'ottimizzazione automatica dei prompt per i grandi modelli linguistici (LLM). Sebbene gli LLM dimostrino forti capacità di ragionamento e strategie come la Chain-of-Thought (CoT) migliorino le prestazioni, un ragionamento di alta qualità dipende ancora fortemente da prompt statici manuali. Questa dipendenza rende le prestazioni sensibili alle configurazioni di decodifica e alle distribuzioni dei compiti, causando fluttuazioni e trasferibilità limitata. I metodi esistenti utilizzano tipicamente una ricerca locale a singolo agente, non riuscendo a ottimizzare sia i prompt che gli iperparametri di decodifica insieme per miglioramenti globali stabili. Agent-GWO unifica i modelli di prompt e gli iperparametri di decodifica come configurazioni di agenti ereditabili. Impiega un meccanismo leader-follower per abilitare agenti collaborativi per l'ottimizzazione dinamica dei prompt in compiti di ragionamento complessi. Il framework mira a ottenere prestazioni più stabili e trasferibili ottimizzando simultaneamente questi elementi all'interno di un approccio unificato. La ricerca è documentata nella preprint arXiv 2604.18612v1, che annuncia l'abstract interdisciplinare.