少样本关系提取的两阶段提示优化：从推理引导搜索到梯度引导细化

对于使用较小语言模型的情景少样本关系提取，自动提示优化仍然没有得到充分探索。我们提出了一个两阶段框架，将基于推理的提示优化与基于梯度的提示优化相结合。第一阶段可以使用任何基于推理的优化器来对自然语言进行广泛的改进。第二阶段应用我们的 GradPO，它使用损失和梯度信号来识别高影响力的提示跨度，并通过本地编辑对其进行细化。 FS-TACRED 和 FS-FewRel 上的实验表明，局部细化通常会改善第一阶段发现的提示，而 GradPO 是最一致的细化器。我们的框架在带有 Qwen3-4B 的 FS-TACRED 上实现了最先进的性能，并在 FS-FewRel 上保持竞争力。