Контекст задачи

В рамках студенческой курсовой работы разработан скелет метода автоматической генерации промтов (autoprompting), сочетающий градиентный спуск и алгоритмы глобальной оптимизации. Текущая реализация работает, но не дотягивает до требуемых метрик качества.

Что необходимо сделать

• Улучшение качества: провести анализ узких мест текущей реализации (выбор стартовых точек, гиперпараметры, методы локального поиска) и применить техники для повышения score генерируемых промптов.
• Эксперименты и тесты: запустить бенчмарки на валидационных наборах данных, сравнить baseline (случайный промптинг) с финальной версией гибридного подхода, зафиксировать результаты в таблицах.
• Документация: оформить код, добавить docstring, подготовить описание алгоритма, раздел 'Анализ результатов' и выводы для курсовой работы.

Требования к исполнителю

• Знание концепций мягкого и жесткого промптинга.
• Опыт работы с библиотеками для оптимизации (scipy.optimize, nevergrad или Optuna).
• Умение описать результаты техническим языком (четко, формулы, графики).