优化廉价，部署强大：具有成本意识的跨层传输以实现进化优化

LLM 提示和代理程序（例如 GEPA）的进化优化以适应度评估为主：对每个候选者进行评分，在验证集上运行回答 LLM，因此评估者的价格等级决定了总搜索成本。我们通过解耦 LLM 所扮演的三个角色来重组搜索，在最便宜的层上运行高容量应答角色，为罕见的反射/变化运算符保留强大的模型，然后利用向上跨层传输将廉价进化的提示部署在更强的目标上。我们贡献了成本控制的特征，说明廉价层搜索何时替代目标层搜索以及它在哪里失败。在四个任务（HotpotQA、IFBench、LiveBench-Math、HoVer）和四个模型系列中的 11 个模型中，生成的提示匹配或超过同层优化，同时将超过 96% 的搜索标记放在最便宜的层上，搜索成本降低 5.6-14 倍，上升到 25-54 倍，其中推理层在每次健身调用时都会发出长长的思想链。