GEPA-Curator
一种在反思式提示优化器（如GEPA）之上增加任务筛选与成功经验检索模块的智能体自我改进方法，旨在过滤噪声学习信号并利用成功轨迹作为正向参考，提升提示优化质量
时间轴 (近 90 天)
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。
GEPA-Curator的任务筛选组件会在优化前判断哪些任务可能提供噪声大、不可靠的学习信号，并将其排除在优化过程之外。
论文在GoBrowse、ALFWorld、AppWorld和τ-bench四个智能体基准上评估了GEPA-Curator。
GEPA-Curator实验中使用的优化器模型为Gemini 3.1 Pro和Claude Opus 5。
GEPA-Curator在平均性能上达到或超过了GEPA和ACE两个基线。
相比GEPA，GEPA-Curator的性能提升最高可达20.7%。
相比ACE，GEPA-Curator的性能提升最高可达21.2%。
GEPA-Curator的收益在两个不同的优化器模型和多个异构环境中都表现出了效果，说明其收益并非依赖某一特定模型或单一任务类型。
全部知识事实 (8)
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GEPA-Curator的任务筛选组件会在优化前判断哪些任务可能提供噪声大、不可靠的学习信号，并将其排除在优化过程之外。
50%待验证论文在GoBrowse、ALFWorld、AppWorld和τ-bench四个智能体基准上评估了GEPA-Curator。
50%待验证GEPA-Curator实验中使用的优化器模型为Gemini 3.1 Pro和Claude Opus 5。
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%待验证相比GEPA，GEPA-Curator的性能提升最高可达20.7%。
50%待验证相比ACE，GEPA-Curator的性能提升最高可达21.2%。
50%待验证GEPA-Curator的收益在两个不同的优化器模型和多个异构环境中都表现出了效果，说明其收益并非依赖某一特定模型或单一任务类型。
50%