Self-Meta-Evolve：个性化信息抽取提示优化
原文标题：One Prompt Does Not Fit All: Self-Meta-Evolve for Personalized Information Extraction
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Self-Meta-Evolve 分层框架，为每位用户维护专属提示并通过双循环持续优化，解决企业信息抽取中用户异质性问题。研究发布了基于 O*NET 职业分类的 292 名模拟用户基准，成功率达 74.58%，比最强基线高 13.56 个百分点。双盲人类研究显示其提示在 71% 的成对比较中胜出。
- 问题
- 企业信息抽取中同一文档需按不同用户重组，单一全局提示无法适配用户异质性。
- 方法
- 为每个用户维护专属提示，内循环按人设反馈编辑提示、外循环蒸馏成功编辑模式进化元提示。
- 结果
- 292 名模拟用户基准成功率 74.58%，超最强基线 13.56 个点；双盲人类研究 71% 成对比较胜出。
- 影响
- 做企业级文档处理产品的团队可直接借鉴按用户定制提示的架构，但需自建人设基准。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Self-Meta-Evolve 为每个用户维护专属提示，292 用户基准成功率 74.58%，高基线 13.56 分
- •把企业信息抽取建模为交互反馈下的按用户提示适配，而非单一全局提示
- •双循环：内循环按 persona 条件反馈编辑结构化提示，外循环蒸馏成功编辑模式来进化元提示
- •发布基于 O*NET 职业分类的 292 名模拟企业用户基准及可复现生成流程
- •基准成功率 74.58%，比最强提示优化基线高 13.56 个百分点，两次迭代即达 52.54%
- •20 位真实从业者的双盲研究中，其提示在 71% 成对比较中胜过静态基线
为什么重要：企业场景同一文档对不同用户需不同组织方式，按用户个性化提示比全局优化更贴合真实异质性。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。