ParetoSaddler：以帕累托方法优化智能体运行框架，兼顾质量与成本
ParetoSaddler无需修改模型权重，即可同时优化大语言模型智能体运行框架的回答质量和成本。它不会根据最终部署偏好过早淘汰候选方案，而是保留在质量或成本方面取得可信进展的方案，并对其进行更广泛的评估。在ClawMark和GAIA2的跨领域数据划分测试中，ClawMark的质量从70.86%提升至81.35%，每项任务成本从1.17美元降至1.01美元；GAIA2的质量从56.22%升至62.89%，成本从0.78美元降至0.45美元。所选框架的质量和成本表现也优于仅针对质量进行优化的方法。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。