摘要
针对大语言模型在标签昂贵的高风险专用领域表现不佳的问题，本文提出 EvoPool，一种受达尔文进化启发的演化式多智能体框架。该框架通过三个专用智能体迭代生成可执行标注代码，利用小规模验证集提供适应度信号，并通过确定性门控机制保留具备生存力、多样性及边际贡献的标注器。此外，EvoAgg 聚合器将投票结果映射为软训练标签。实验表明，该方法在多个专用任务上优于最强 LLM 基线，且推理速度提升数千倍。
AI 推荐理由
论文提出基于达尔文进化的多智能体框架，核心机制为迭代进化与选择。
研究机构
Oregon State University
University of Wisconsin-Madison
论文信息