EEVEE：Agent 不只会单科提分

这组图讲什么

1. 问题：原文称，过去很多 prompt-learning 方法更像「单科补习」，在单一数据集里提分；EEVEE 想处理不同领域、不同格式、不同评测规则混在一起的任务流。2
2. 方法：EEVEE 用 router 把输入分到专门的 prompt slot，再通过 router-prompt co-evolution 交替优化路由和提示；项目页把训练过程拆成 Initialize、Explore、Converge 三阶段。3
3. 结果：在 GPQA Diamond、Formula、TheoremQA、HumanEval 混合基准上，Qwen3-4B-Instruct 平均分从 41.37 到 51.75，DeepSeek-V3.2 从 39.75 到 64.07。2
4. 成本与边界：项目页给出的 token 成本是 GEPA 3.47K、EEVEE 4.32K、ACE 21.30K；论文也说明当前仍依赖 ground-truth 或 rule-based feedback，并不等于完全在线自监督。3

补充来源