Self-Supervised Prompt Optimization

论文：2502.06855 Self-Supervised Prompt Optimization

仓库：GitHub - Airmomo/SPO: SPO | Self-Supervised Prompt Optimization

自监督提示优化（SPO）

创新点

• 成对比较评估

• 输出指导优化

全文介绍

背景

随着大语言模型的发展，设计提示对于最大限度发挥模型的推理能力，以及确保符合不同的任务要求，逐渐成为了关键。然而，创建有效的提示通常需要大量的试错实验和深入的特定任务的知识。 （模板填充具体问题 → 生成完整提示 → 输入模型 → 获得输出） 研究人员探索了使用LLM自己的能力来自动改进提示的提示优化（PO）方法。PO提供了一种更系统和更有效的快速设计方法，它通常涉及一个快速优化、执行和评价的迭代过程。现有的方法数值评价机制和文本梯度优化策略上都取得了成功。 数值评价机制：通过可量化的指标直接评估提示的性能，并基于数值反馈迭代优化提示。 文本梯度优化：通过自然语言反馈指导提示优化，利用LLM生成"文本梯度"（即改进建议），逐步调整提示内容。

（相关方法正在整理中）

问题

• 目前的方法往往严重依赖于外部参考进行评价。

• 采用真实标签（Ground Truth）进行评价导致其难以适用于开放任务。

• 现有的方法通常需要对大量样本进行提示评估，以获得可靠的反馈，从而导致大量的计算开销。

**解决方案：**自监督提示优化（Self-Supervised Prompt Optimization， SPO）

核心贡献

1. 无需外部参考的优化框架：

   • 提出自监督提示优化（SPO） ，通过LLM输出的成对比较评估提示质量，摆脱对标注数据或人工反馈的依赖。

   • 利用LLM自身理解任务需求的能力，将输出直接作为优化信号。

2. 极致的成本效率：

   • 优化成本仅为现有方法的 1.1%~5.6% （如单数据集成本低至 0.15美元 ），且仅需 3个样本即可完成一轮优化。

3. 任务普适性：

   • 在封闭任务 （数学推理、事实核查）和开放任务 （创意写作、角色扮演）中均表现优异，尤其提升小模型（如GPT-4o-mini）性能达 30%。

模型设计

三大功能：

1. 优化函数（ϕₒₚₜ）：分析当前最优提示及输出，生成新提示（如引入结构化XML模板指导LLM迭代改进）。

2. 执行函数（ϕₑₓₑ）：生成输出（路径 + 答案）

3. 评估函数（ϕₑᵥₐₗ） ：通过LLM对输出进行成对比较，选择更优提示。

用户输入  
   ↓  
[ϕₒₚₜ] 初始化提示模板  
   ↓  
[ϕₑₓₑ] 执行生成首次输出  
   ↓  
[ϕₑᵥₐₗ] 评估输出质量  
   ↓  
[ϕₒₚₜ] 根据反馈优化提示  
   ↓  
[ϕₑₓₑ] 执行新提示生成输出  
   ↓  
[ϕₑᵥₐₗ] 多轮对比评估  
   ↓  
（循环直至收敛）  
   ↓  
最终输出  

评估

历史分析

• 评估方法：

  • 预定义的指标

  • LLM-as-a-judge

  • 人类反馈

• 评估反馈

  • 数值反馈（需要大量样本、容易忽略细节）

  • 文本反馈

  • 排序或选择反馈

评估框架

• Output vs. Ground Truth（真实标签）：需 Ground Truth，适合封闭任务

• Output vs. Output（核心）：不依赖外部参考，适配开放任务

优化函数

目标 ：基于当前最佳提示和对应输出，生成改进后的新提示。 实现机制：

• 结构化模板引导：使用XML格式的元提示（Meta Prompt）指导LLM分析现有输出的不足并提出改进方向。

• 基于任务理解的动态调整：LLM根据输出内容反推任务需求，自动调整提示结构。例如，在数学推理任务中，若发现模型忽略坐标计算，新提示会强制要求"每一步更新坐标并记录"。

优化过程

• 优化方向由模型输出的缺陷驱动

• 修改的是提示的语义内容

执行函数

目标 ：将优化后的提示应用于LLM，生成任务输出。 关键设计：

• 小样本高效执行：仅需3个随机样本（无需标注答案）即可运行，大幅降低成本。

• 输出结构化：强制要求输出包含推理路径和最终答案，便于后续评估。

评估函数

目标 ：通过LLM对比新旧提示的输出，选择更优者。 评估流程：

1. 构建对比对：将同一问题在新旧提示下的输出组成对（Output A vs. Output B）。

2. 设计评估指令：要求LLM基于任务需求（如逻辑严谨性、格式合规性）判断优劣。

3. 多轮随机评估：每个迭代进行4轮独立比较，减少偶然偏差。

评估结果处理：

• 若新提示胜率超过阈值（如3/4），则替换为当前最佳提示；

• 否则保留原提示，进入下一轮优化。

闭环迭代流程

1. 初始化：从基础提示模板（如Chain-of-Thought）和3个样本开始。

2. 迭代优化：

   • 第1轮：生成Prompt₁ → 执行 → 评估 vs. Prompt₀；

   • 第2轮：生成Prompt₂ → 执行 → 评估 vs. Prompt₁；

   • 持续至达到最大迭代次数（如10轮）或性能收敛。

3. 终止条件：达到预设迭代次数或连续多轮无显著改进。

全文总结

一句话总结：在实现显著成本效益的同时的同时，消除了对外部参考的依赖。

成果

（1）克服了依赖于外部参考实现快速优化的问题。

（2）以每个数据集仅0.15美元的价格实现了显著的成本效益。

（3）实现了最先进的结果，而只需要现有方法成本的1.1%- 5.6%。

（4）在标准基准测试和不同的实际应用程序上的成功验证了SPO的有效性和泛化能力。

风险

• 潜在的偏见放大：SPO依赖LLM自身作为评估者，导致"偏见反馈→优化强化偏见"（正反馈调节）。【尝试解决将有可能导致风险3】

  • 解决方案：1.加入公平性约束（Bias Penalty Loss），惩罚带有偏见的输出。【注意：平衡成本】2.去偏数据集微调评估函数（ϕₑᵥₐₗ）？

  • Mitigating Social Bias in Large Language Models: A Multi-Objective Approach within a Multi-Agent Framework

  • Bias and Fairness in Large Language Models: A Survey

• 有害内容产生的误用：SPO仅以性能为优化目标，忽略内容安全性。【尝试解决将有可能导致风险3】

  • 解决方案：内置Moderation API？

• 以及过度依赖LLM：SPO生成的提示可能会更符合人类的偏好，且全流程无需人工介入，用户可能忽视对关键结果的二次验证。

  • 解决方案：增加置信度分析。数据集微调评估函数（ϕₑᵥₐₗ）？

细节

1、优化函数如何根据输出修改提示？

通过**元提示（Meta Prompt）**调用LLM，直接生成改进后的提示。

（元提示模板eg.）

<analyse>  
分析当前输出的缺陷：{缺陷描述}  
</analyse>  
<modification>  
总结改进方向：{改进策略}  
</modification>  
<prompt>  
生成优化后的完整提示  
</prompt>  

这个提示模板指导llm通过结构化XML分析迭代地改进现有的提示。它需要识别提示输出中的缺陷，提出修改，并生成优化的版本。

该模板在保持需求遵从性的同时，也强调了增量式的改进。

在每次迭代中，优化函数生成新提示后，评估函数会进行四轮独立评估，具体流程如下：

1. 每轮从数据集中随机抽取不同的样本（3个最优，10次迭代）

2. 四轮中若新提示胜出≥3次，则判定为优化成功；否则保留原提示