POaaS：以最小编辑的提示优化即服务提升端侧sLLM准确率并减少幻觉

小语言模型（sLLM）越来越多地部署在设备端，而在这种场景下，不完善的用户提示——拼写错误、意图不清或缺少上下文——可能引发事实错误和幻觉。现有的自动提示优化（APO）方法是为大型云端LLM设计的，依赖搜索且往往生成长而结构化的指令；当在端侧约束下执行——即同一个小模型必须既充当优化器又充当求解器——这些流水线会浪费上下文，甚至损害准确率。我们提出POaaS，一个最小编辑的提示优化层，它将每个查询路由到轻量专家（Cleaner、Paraphraser、Fact-Adder），并在严格的漂移与长度约束下合并其输出，同时对格式良好的提示采取保守的跳过策略。在使用Llama-3.2-3B-Instruct与Llama-3.1-8B-Instruct的严格固定模型设置下，POaaS同时提升了任务准确率与事实性，而具有代表性的APO基线则使二者下降；在token删除与mixup扰动下，POaaS最多可挽回+7.4%。总体而言，对于端侧sLLM，逐查询的保守优化是重搜索APO的一种实用替代方案。