TAPR: ИИ-переписчик промптов повышает точность больших языковых моделей
Группа исследователей представила модель TAPR (Task-Aware Prompt Rewriter), предназначенную для автоматического переписывания пользовательских промптов. Разработка решает распространенную проблему: качество ответов больших языковых моделей сильно зависит от формулировки запроса, и не всем пользователям удается сразу составить эффективный промпт.
TAPR работает как промежуточное звено между пользователем и LLM. Модель преобразует исходный запрос в оптимизированную версию, которая содержит более четкие и инструктивные формулировки. Это позволяет улучшить результаты downstream-задач без ручной настройки.
Обучение TAPR проводилось с использованием метода групповой относительной политической оптимизации (GRPO). В качестве сигнала вознаграждения применялась оценка от LLM-as-judge: система анализировала как переписанный промпт, так и итоговый ответ модели. Такой подход позволил научить TAPR учитывать требования конкретной задачи.
Эксперименты проводились на нескольких типах задач, включая ответы на вопросы, суммаризацию текста и арифметические рассуждения. Авторы сообщают о стабильном улучшении по сравнению с базовыми моделями. В частности, при дообучении модели Phi-4-mini-instruct для роли TAPR удалось повысить точность на известных бенчмарках Natural Questions и GSM8K.
Открытый код проекта выложен на GitHub, что позволяет разработчикам и исследователям интегрировать TAPR в свои системы. По мнению авторов, это понижает барьер входа для неопытных пользователей, которым больше не нужно вручную подбирать идеальные промпты.
Разработка может найти применение в чат-ботах, системах автоматической обработки запросов и других сервисах, где важно получать качественные ответы от LLM при минимальных усилиях со стороны пользователя.
