GEPA
时间轴 (近 90 天)
Gear希望支持GEPA、RRSI、Harness²等RSI方法的实现和横向对比，以降低不同论文评估条件不一致带来的可复现性摩擦。
GEPA是一类将进化搜索与提示词优化结合的黑盒方法，维护候选种群并通过采样、变异、评估进行代际迭代，借助Pareto前沿筛选保留多样化优胜候选以缓解过早收敛。
Gear已实现一个可工作的GEPA（Genetic-Pareto类提示词进化方法）变体，并配备共享的失败诊断和阶段式评估机制。
GEPA-Curator在原有提示优化器GEPA基础上增加了任务筛选（task curation）和成功经验检索（prior success retrieval）两个模块。
相比GEPA，GEPA-Curator的性能提升最高可达20.7%。
GEPA-Curator在平均性能上达到或超过了GEPA和ACE两个基线。
GEPA合并的不稳定性更多源于配置敏感性，而非合并算子本身存在固有缺陷。
在GEPA论文中，合并算子能提升gpt-4.1-mini的平均表现，但会降低Qwen3-8B的效果，这一不对称性此前缺乏解释。
一项机制级诊断研究在五个数据集和两个模型（gpt-4.1-mini与Qwen3-8B）上，对合并时机和合并算子进行了九种配置的扫描。
当配置适当时，合并可以同时提升gpt-4.1-mini和Qwen3-8B两个模型的表现。
还有 13 条时间轴事件
全部知识事实 (20)
GEPA将遗传算法的变异操作与Agent执行轨迹深度绑定，根据轨迹中的具体失败点提出针对性修改而非随机变异
90%待验证GEPA引入帕雷托最优概念，同时考量准确率、Token消耗、延迟等多个指标进行多目标平衡优化
90%待验证GEPA（Genetic Pareto Prompt Evolution）是一篇ICLR 2026 Oral论文提出的方法
60%待验证Gear希望支持GEPA、RRSI、Harness²等RSI方法的实现和横向对比，以降低不同论文评估条件不一致带来的可复现性摩擦。
50%待验证Gear已实现一个可工作的GEPA（Genetic-Pareto类提示词进化方法）变体，并配备共享的失败诊断和阶段式评估机制。
50%待验证GEPA是一类将进化搜索与提示词优化结合的黑盒方法，维护候选种群并通过采样、变异、评估进行代际迭代，借助Pareto前沿筛选保留多样化优胜候选以缓解过早收敛。
50%待验证相比GEPA，GEPA-Curator的性能提升最高可达20.7%。
50%待验证GEPA-Curator在平均性能上达到或超过了GEPA和ACE两个基线。
50%待验证GEPA-Curator在原有提示优化器GEPA基础上增加了任务筛选（task curation）和成功经验检索（prior success retrieval）两个模块。
50%待验证合并算子的效果高度依赖被合并提示的互补性以及模型对合成指令的遵循能力。
50%待验证基于行为变化的探针（behavior-based probe）通过识别高风险任务并弃权，能在多随机种子运行中避免大幅度的合并失败。
50%待验证实践中若遇到合并导致性能下降，首要排查方向应是配置组合（合并时机与算子选择），而非放弃使用合并机制。
50%待验证任何试图通过简单规则或轻量分类器（基于静态提示特征）来预筛合并操作的做法，都难以可靠工作。
50%待验证在GEPA论文中，合并算子能提升gpt-4.1-mini的平均表现，但会降低Qwen3-8B的效果，这一不对称性此前缺乏解释。
50%待验证当配置适当时，合并可以同时提升gpt-4.1-mini和Qwen3-8B两个模型的表现。
50%待验证GEPA合并的不稳定性更多源于配置敏感性，而非合并算子本身存在固有缺陷。
50%待验证提示级静态特征（如长度、困惑度、语义复杂度等）无法预测GEPA的合并接受决策，静态特征门控被明确排除。
50%待验证GEPA与微调不同，它不更新模型权重，只优化提示层面的配置。
50%待验证GEPA（Genetic-Pareto）是DSPy中的一种优化策略，它结合遗传式搜索与帕累托前沿思想，利用执行轨迹、评分指标和自然语言反馈来迭代改写提示词。
50%待验证harness 循环包含 Reefine、SkillClaw、GEPA、Meta-Harness 几套方案，它们提出对 harness 自身文件的修改并与当前版本评分对比，默认选择策略是「净胜」才保留
50%