Naive Prompt Optimization：拿掉搜索之後還剩下什麼

2026-09-27 2026-09-27 約 12540 字預計閱讀 55 分鐘

Purdue 大學論文《Naive Prompt Optimization》問了一個直白的問題：給夠豐富的執行回饋、配一個夠強的 teacher，還需要 GEPA 那套搜索機制嗎？本文檢視 NPO 的方法，以及它「用更少執行次數打贏 GEPA」這個賣點裡沒拆開驗證的混淆變因。

1 前言

如果你研究過 automatic prompt optimization（自動優化 prompt 的技術），大概會發現這個領域最近的方法一個比一個複雜：維護一整池候選 prompt、做 beam search、做 Pareto 篩選。GEPA 就是這類方法的代表。

Purdue 大學這篇論文《Naive Prompt Optimization》問了一個看似天真的問題：如果餵給負責改寫 prompt 的「teacher model」更豐富的回饋——不只是一個總分，而是完整的執行過程加上每題分數——再配一個夠強的 teacher，是不是根本不用搜索、只維護「一條路線」的 prompt 修訂，也能打平甚至打贏那些複雜方法？他們把這個做法叫做 NPO（Naive Prompt Optimization）。

先把結論說在前面：這篇論文本身的方法論貢獻並不高，NPO 說穿了是既有技術 OPRO 的小幅修改，而且它「用更少執行次數打贏 GEPA」這個賣點，本身藏著一個沒處理乾淨的漏洞（後面會細講）。但論文在「怎麼公平比較不同方法」這件事上做得很紮實——配對隨機種子、約束解碼——這套實驗設計本身的可遷移價值，比 NPO 這個方法還要高。這篇文章會照這個比重來寫：方法本身講清楚，但花更多篇幅在這套實驗方法論上。

2 背景：Prompt Optimization 為什麼越做越複雜

2.1 調整權重，還是調整 prompt

如果你手上有一個「student model」（實際要拿去執行任務的模型），想讓它表現更好，大致有兩條路：一是調整模型權重，例如用 RLHF、PPO、GRPO 這類強化學習方法直接更新參數；二是完全不動模型，只是換一段更好的指令，也就是調整 prompt。

第二條路的好處很直接：輕量、可攜。不需要為每個任務、每個使用者訓練並維護一份專屬權重，只要換一段文字，就能部署到任何透過標準 API 存取的第三方模型上。Automatic prompt optimization 研究的就是「怎麼自動找到那段更好的指令文字」。

2.2 主流方法都在做同一件事：多候選 + 搜索

論文列了幾個代表性方法的演進，脈絡看下來是同一個方向越滾越大：

OPRO：把 LLM 當優化器，根據「之前試過的 prompt 版本＋對應分數」提出下一版。
ProTeGi：結合「文字梯度」的概念與 beam search，同時追蹤多條候選路線。
MIPRO：用模型生成候選，再加上貝氏優化（用機率模型猜測「下一個該嘗試的設定」）。
GEPA：維護一整個候選 prompt 的池，透過反思（reflection）產生新候選，用 Pareto-based selection 保留「沒有被其他候選全面超越」的那些候選。

這幾個方法有個共同點：都在同時維護多個候選版本，並用某種機制決定該往哪個方向修改。（我們之前也介紹過兩篇同樣拿 GEPA 當比較基準、但問題設定不同的論文：把 AI Agent 的技能文件當成可訓練權重來優化的 SkillOpt，以及用會演化的 context 而非單一 prompt 來累積經驗的 Agentic Context Engineering。）

這種設計背後藏著一個沒有明講的假設：如果只走一條路線——一次只有一個 prompt 版本，改壞了也回不去——很容易卡進局部最優，某一步修壞了就一路壞下去，白白浪費掉有限的執行次數（rollout）預算。維護多個候選、保留表現好的分支，就是為了不把所有籌碼押在一條可能走偏的路線上。

3 NPO 的提問：回饋給得夠多，還需要搜索嗎？

NPO 反過來問：如果每次修訂時，餵給 teacher model 的回饋夠豐富——不是只有「上一版＋一個總分」，而是完整的執行過程與逐題分數——再加上 teacher model 本身夠強，那麼「只走一條路線、不做搜索」是否就足夠好，讓那些搜索機制的邊際效益趨近於零？

這是整篇論文的立論起點：不是提出新演算法，而是質疑既有複雜度是否必要。論文摘要用的原文措辭是「stronger teacher reasoning can partially substitute for optimizer-side search complexity」——注意是 partially substitute（部分取代），不是「完全不需要」。這是一個有條件的主張，不是斷言式的結論，這個分寸後面看實驗結果時要記住。

4 NPO 方法本身

4.1 一句話講完整個邏輯

每一輪：用目前的 prompt 跑一批任務，收集這批任務的執行過程與分數，把「最近幾輪」的執行過程與分數一起丟給 teacher model，讓 teacher 產生下一版 prompt。重複固定輪數，就是 NPO 的全部。

4.2 Algorithm 1：符號對照表

論文的 Algorithm 1（標題為 Naive Prompt Optimization with Sliding-Window Rollout Feedback）用了一批符號，先把它們對照清楚：

符號	意思
$P^{(i)}$	第 $i$ 輪的 prompt 版本， $i$ 從 0 開始
$D$	完整的任務資料集
$N$	每輪抽樣的 minibatch 大小
$B_i$	第 $i$ 輪從 $D$ 抽出的 $N$ 題任務
$R_i$	第 $i$ 輪跑完後收集到的：每題完整執行過程（rollout trace）＋每題分數（reward）
$W$	sliding window 大小，teacher 這次能看到「過去幾輪」的資料範圍
$T$	teacher model，負責改寫 prompt
$Y$	總共執行的輪數

核心步驟寫成公式：

P^{(i+1)} = T\Big(P^{(i)}, \{R_j\}_{j=\max(0,\, i-W+1)}^{i}\Big)

白話講：teacher 拿到「目前這版 prompt」加上「最近 $W$ 輪（含這一輪）的所有執行結果」，改寫出下一版 prompt。 $\max(0, i-W+1)$ 這個寫法是處理「輪數還不夠 $W$ 輪」的邊界情況——例如 $i=0$ 時往前推 $W-1$ 輪會變成負數，這時候就從 0 開始算，不會出錯。

有一點容易被忽略：teacher 實際看到的不只單題資料。論文原文明講 teacher 收到的是「the prompts, corresponding rollout traces, and rewards」——複數的 prompts。如果 window 涵蓋 2 輪，teacher 拿到的完整輸入其實是：這 2 個版本的 prompt 文字本身、這 2 個版本各自的平均分數，以及這 2 輪、每輪 $N$ 題、總共 $2N$ 筆的（題目、執行過程、模型輸出、單題分數）。

這一點很關鍵：如果 teacher 只看到單題結果，它只能判斷「這題錯在哪」；但因為它同時看得到「連續兩輪的平均分數變化」，才有機會判斷「上一次的修改到底有沒有效」——這正是 sliding window 設計想達成的效果。不過下面會說明，這個效果其實沒有被保證。

4.3 用論文自己的例子跑一次

論文的 Figure 1 給了一個具體示範。假設 minibatch 裡有一題是「What is the capital of France?」：

NPO 每一輪如何用執行結果改寫 prompt 的流程圖：跑目前版本的 prompt、收集帶分數的執行紀錄、丟給 teacher model、產生下一版 prompt。 — 圖 1 — NPO 的一輪修訂流程。（來源：原始論文 Figure 1。）

$P^{(1)}$ （第 1 版 prompt）：Given the fields 'question', 'summary_1', produce the fields 'query'.
用 $P^{(1)}$ 跑這題，模型輸出是 “Berlin”，reward = 0（答錯）。
整批 minibatch 跑完， $P^{(1)}$ 的平均分數是 0.56。
Teacher 看到「 $P^{(1)}$ 的文字＋一堆包含錯誤答案的執行紀錄」，判斷問題出在 prompt 沒講清楚「要給最終答案」，於是改寫出 $P^{(2)}$ ：Given the fields 'question' and 'summary_1', produce the field 'query'. Your goal is to provide the concise final answer.

短短一輪，就能看出 NPO 的修訂邏輯很直觀：teacher 看到具體的錯誤案例，直接對症下藥。

4.4 Sliding Window 的視覺化

論文 Figure 2 把「NPO 跟 GEPA 的路線差異」跟「sliding window 怎麼滑動」畫在同一張圖裡：

左半邊是 GEPA 的候選 prompt 樹狀演化圖，右半邊是 NPO 的單線 prompt 演化，並標出滑動窗格如何隨輪次前進。 — 圖 2 — GEPA 的樹狀候選池，對照 NPO 的單線演化與滑動窗格。（來源：原始論文 Figure 2。）

以 $W=2$ 為例，先看每一輪的分數：

輪次 $i$	0	1	2	3	4	5
分數 $P^{(i)}$	0.25	0.68	0.69	0.60	0.65	0.73

窗格隨輪次滑動的樣子是這樣的：

窗格	涵蓋輪次	產生
Window 1	$\{0\}$	$P^{(1)}$
Window 2	$\{0, 1\}$	$P^{(2)}$
Window 3	$\{1, 2\}$	$P^{(3)}$
Window 4	$\{2, 3\}$	$P^{(4)}$
Window 5	$\{3, 4\}$	$P^{(5)}$

每個窗格只涵蓋「最近兩輪」的資料，窗格之間會重疊（Window 2 和 Window 3 都包含輪 1），這讓 teacher 修訂時，既能看到最新結果，也保有一點更早的脈絡。對照圖 2 左半邊的 GEPA：GEPA 是一棵樹，可以從表現好的節點分支出新候選；NPO 完全是一條線， $P^{(0)} \to P^{(1)} \to P^{(2)} \to \dots$ ，沒有分支，只有「往前看幾步」的差異。

4.5 與 OPRO 的差異

NPO 用「LLM 當迭代式 prompt 優化器」這個手法最早由 OPRO 提出。差異在於：OPRO 只把「之前評估過的 prompt＋對應的純量分數」給 teacher 看，而 NPO 給的是「完整的執行過程＋逐題分數」。論文對這個差異的說明就到這裡為止，沒有再展開細節——換句話說，NPO 相對 OPRO 的技術跨度其實不大，主要就是把回饋資訊從「一個數字」升級成「完整紀錄」。

批次抽樣的隱藏問題

Algorithm 1 第 2 行寫的是「Sample minibatch $B_i$ of size $N$ from $D$ 」——也就是每一輪都重新從整個資料集裡隨機抽樣一批新的 $N$ 題，不是固定用同一批題目。

這件事對 sliding window 的設計意圖造成一個問題。Teacher 之所以能看到「連續兩輪的平均分數」，原本用意是判斷「上一次的修改到底有沒有效」。但如果 $P^{(i-1)}$ 的分數是在批次 A（例如某 40 題）上算出來的， $P^{(i)}$ 的分數是在批次 B（另一組完全不同的 40 題）上算出來的，這兩個分數的差異裡就同時混雜了「prompt 有沒有變好」跟「這批題目剛好比較難或比較簡單」兩種原因。Teacher 沒辦法單從這兩個數字判斷差異到底來自哪一個。

論文 2.4 節確實有「shared pseudorandomness」（配對隨機種子）機制，但那是用來確保 NPO、GEPA、GRPO 三種方法之間比較公平（下面〈配對隨機種子〉會細講），並沒有被用來處理「NPO 自己內部、連續輪次的 minibatch 是否一致」這個問題。論文完全沒有討論或做敏感度分析。

一個可能稍微緩解問題的因素是，每輪分數是 $N=40\text{–}50$ 題的平均值而非單題分數，樣本數夠大時，批次難度的隨機波動理論上會被平均掉一部分——但這只是緩解，不是解決。像 IFBench（測試模型是否遵守指令中格式、字數等限制的基準）這種任務，不同題目對應的約束類型難度差異可能很大，就算平均 40 題，批次組成不同仍可能造成分數有系統性落差，而非單純隨機雜訊。這一段推論是我自己補上的，論文本身沒有寫。

5 對照方法：GEPA 與 GRPO（簡述）

後面的實驗會反覆拿 NPO 跟這兩個方法比較，這裡只記錄理解結果所需的最低限度背景，不深入拆解演算法細節。

GEPA：維護一個候選 prompt 的池。從池中抽出一個「父代」prompt，用一批反思資料（reflection minibatch）修訂它，修訂後的版本只有在「對這批反思資料有改善」時才會被接受。被接受的修訂會在驗證集上評估、加入候選池，之後用這個驗證表現做 Pareto-based 的父代篩選（保留沒有被其他候選全面超越的版本）。論文使用標準 GEPA 流程，不含 GEPA-merge 變體。

GRPO：作為「權重層級」的 RL 對照基準。對每一組執行結果（rollout group），把獎勵減去該組平均值、除以標準差，得到相對優勢，用來更新一個 LoRA（低秩適應）adapter，主幹權重與 prompt 都保持固定。在雙人遊戲環境中，訓練中的一方對戰一個固定、未訓練過的基礎模型，只有訓練中一方的 LoRA 參數會更新，並且刻意讓訓練中一方在一半的隨機化回合中先手、另一半後手，避免先後手造成的獎勵分布差異汙染訓練訊號。

6 真正的重點：怎麼做一個乾淨的方法比較

如果只看 NPO 這個方法本身，老實說沒有太多可講的——就是把 OPRO 的回饋資訊量加大。但這篇論文在「怎麼公平比較 NPO、GEPA、GRPO 這三種南轅北轍的方法」這件事上，做了兩套值得學起來的工程紀律：配對隨機種子，以及約束解碼。這兩套技巧都不是論文原創，但把它們用在「比較不同 prompt optimizer」這個場景上，是紮實的工程實踐，值得抽出來獨立看待。

6.1 配對隨機種子（Shared Pseudorandomness）

要解決的問題：比較 NPO、GEPA、GRPO 三種方法時，如果每個方法各自在「隨機生成」的環境上執行——例如 Minesweeper 每次隨機佈雷、地雷位置都不同——最後分數的差異可能不是「方法本身比較強」造成的，而是「剛好抽到比較簡單的關卡」造成的。這是一個典型的干擾變因：想比較的是方法優劣，卻混進了環境難度的隨機波動。

機制：針對每個環境，先用一組固定的隨機種子生成一批環境實例，讓 NPO、GEPA、GRPO 共用同一組種子序列。也就是說，NPO 執行的第 135 次 rollout，跟 GEPA 執行的第 135 次 rollout，起始盤面完全一樣——同樣的地雷位置、同樣的已知數字——只有各自的 prompt 或 policy 不同，導致後續動作不同。

這跟統計實驗裡的「配對比較」（例如 paired t-test，或醫學實驗裡「同一批受試者服藥前後比較」）是同一套邏輯：把會造成雜訊的變因鎖定成相同，讓組間差異只反映真正想測的那個變因。這裡鎖定的變因是「環境實例的隨機性」，想測的變因是「optimization 方法的好壞」。不鎖定隨機種子時，比較的是獨立樣本（unpaired），組間變異會被環境難度的隨機波動稀釋，需要更多樣本才能看出真正差異；鎖定種子後等於做了配對，雜訊被大幅消除，統計檢定力明顯提高。

論文的 Figure 3 正好示範了這件事：

並排展示兩張 Minesweeper 盤面，分別標示為 NPO 與 GEPA 的第 135 次 rollout，兩邊地雷位置與已知數字完全相同，只有各自模型選擇的下一步動作不同。 — 圖 3 — 用相同隨機種子產生的兩張盤面，讓 NPO 與 GEPA 的比較排除環境難度的干擾。（來源：原始論文 Figure 3。）

圖中「Rollouts #135, NPO」與「Rollouts #135, GEPA」的盤面（地雷位置、已知數字）完全相同，差異只出現在 prompt 不同，導致模型做出不同判斷（NPO 選了 [3 1]，GEPA 選了 [0 2]）。

這技巧不是論文原創，但可遷移價值很高

用固定種子做配對比較是實驗設計裡行之有年的通用手法，在 RL、bandit 研究中很常見。論文只是把它套用到「比較不同 prompt optimizer」的場景，屬於工程紀律的展現，不是方法論創新——但正因如此，這個技巧的可遷移價值反而更高，值得用在任何自己設計的 A/B 比較實驗中。

6.2 Constrained Decoding 完整機制

要解決的問題：論文提到前期實驗發現，格式錯誤（模型輸出的動作字串不符合環境要求）佔了失敗案例中不小的比例。如果 A 方法的失敗大多來自「格式寫錯」而非「決策真的比較差」，把這些失敗算進最終分數，就等於錯誤地懲罰了 A。他們要把「決策品質」跟「格式遵循能力」分開，只評測前者。

第一步：怎麼「遮蔽」不合法的 token

模型每一步生成下一個 token 時，原本會對詞彙表裡所有 token 都算出一個機率。Constrained decoding 做的事，是把不合法的 token 機率設成 0，只留下合法的那幾個，重新正規化成一個機率分布。用一個簡單數字示範：假設某一步，原始機率是 $A: 0.4$ 、 $B: 0.3$ 、 $C: 0.1$ 、 $D: 0.1$ 、 $E: 0.1$ ，但這一步只有 $A$ 、 $B$ 合法。做法是把 $C$ 、 $D$ 、 $E$ 設成 0，剩下 $A=0.4$ 、 $B=0.3$ ，相加是 0.7，重新除以 0.7，得到 $A \approx 0.571$ 、 $B \approx 0.429$ 。

論文用的公式（等價於上面的計算）：

q(t \mid s) = \frac{\exp(z_t(s))}{\displaystyle\sum_{u \in A(s)} \exp(z_u(s))}, \quad t \in A(s)

其中 $s$ 是目前已生成的前綴字串， $A(s)$ 是這個前綴之後合法的下一個 token 集合， $z_t(s)$ 是模型對 token $t$ 的原始分數（logit）。

第二步：為什麼需要一棵「樹」

單一步驟的遮蔽只解決了「這一步要選哪個 token」，但完整的動作字串（例如 [3,4]）通常要好幾個 token 才能拼完，而且每一步「合法的 token 有哪些」會隨著前面已經打出來的內容而改變。

舉例：假設環境只允許兩個合法動作 [3,4] 和 [2,5]。一開始合法的第一個 token 只有 [；打完 [ 之後，合法的下一步變成 3 或 2；選了 3 之後下一步只剩 ,，再來只剩 4，最後只剩 ]。「合法 token 集合」在每一步都不同，且取決於前面打了什麼——這正是需要**字首樹（prefix trie）**的原因。樹的每個節點代表「目前已生成的前綴」，從節點出發能走的邊就是「合法的下一個 token」，走到葉節點就代表湊出一個完整合法動作：

根節點(尚未生成)
  --[--> "["
           --3--> "[3" --,--> "[3," --4--> "[3,4" --]--> "[3,4]" (葉節點)
           --2--> "[2" --,--> "[2," --5--> "[2,5" --]--> "[2,5]" (葉節點)

第三步：把遮蔽跟樹接起來

在樹上每個節點都重複同樣的事：看這個節點下有哪些合法子節點，對這些合法選項的原始分數做遮蔽加重新正規化，依機率選一個、走到對應子節點，重複直到走到葉節點。

用上面的兩動作範例走一次，並算出 [3,4] 的完整機率——根節點合法下一步只有 [ 一個選項，機率鎖定為 1；[ 節點有 3、2 兩個真正的分岔點，假設遮蔽加正規化後算出 $q(3\mid[)=0.6$ 、 $q(2\mid[)=0.4$ ；後面 [3、[3,、[3,4 節點都只有唯一合法選項，機率同樣鎖定為 1。整條路徑機率連乘：

P([3,4]) = q([\mid \text{根}) \times q(3\mid[) \times q(,\mid[3) \times q(4\mid[3,) \times q(]\mid[3,4) = 1 \times 0.6 \times 1 \times 1 \times 1 = 0.6

關鍵效果：除了「選 3 還是選 2」這個真正的分岔點之外，其他每一步都是唯一選項（機率鎖定為 1），所以整條路徑的機率幾乎完全由「真正的決策分岔點」決定——格式相關的 token（[、,、]）完全不影響最終機率。

論文 Figure 11 用一個具體的四動作範例畫出帶數字的字首樹：

一棵字首樹的示意圖，根節點延伸出多條分支，每個節點標示著往下一個 token 的合法轉移與對應機率，葉節點代表完整合法的動作字串。 — 圖 4 — 約束解碼用的字首樹示意。（來源：原始論文 Figure 11，樹狀結構取自原圖，但分支上的具體數字為本文示範用途自建，並非原圖數字——見下方說明。）

圖中數字為本文示範用途自建，非原圖數字

這張圖經 PDF 文字擷取後，邊標籤與分支的對應關係無法可靠還原（部分數字加總對不上 1，無法確定是擷取錯位還是對應關係讀錯）。所以前面〈第三步〉用的具體數字（0.6、0.4）是本文自己設定的示範數字，不是論文原圖的數字，只是借用相同的樹狀結構做說明。若需要精確數值，得回頭查閱原始 PDF。

額外的邊界情況：如果模型在推理 token 用完前，都還沒生成結束推理的標記，論文不會直接把它算成失敗——因為那樣會把「決策品質差」跟「不知道自己快沒 token 額度」混在一起算。做法是在額度快用完前，強制插入結束推理的標記，再用一小段保留的動作預算，逼模型仍要從合法動作裡選一個。

Constrained decoding 這套技術本身不是這篇論文原創的——locally constrained decoding、「local product of experts」有既有文獻，grammar-constrained 生成在業界也很常見（論文引用了 lm-format-enforcer，Outlines 這類工具也是基於同樣原理）。論文是把既有工具套用在「消除跨方法比較的格式雜訊」這個場景。

6.3 Local vs Global：兩種機率算法的取捨

論文提到計算「葉節點（完整動作）機率」有兩種方式，這篇論文選用其中一種，另一種只是拿來對照說明。

Local（這篇論文採用的）：每走到樹上一個節點，就先遮蔽不合法 token、對合法選項重新正規化，再往下走一步——就是上面〈第三步〉描述的逐步流程。
Global：不在中途做任何遮蔽或正規化，讓模型用原本自由生成時的機率，把整條路徑的每一步機率直接連乘；等所有合法動作（葉節點）的乘積都算完後，最後才在這些葉節點之間做一次正規化。

Global 需要用到「teacher forcing」這個技巧：正常生成是模型自己一個 token 接一個 token 生成；teacher forcing 則是強制塞給模型一段指定好的內容，只問模型「如果前面是這段內容，你對下一個 token 的機率分布長怎樣」，藉此算出「模型生成出某段固定文字」的機率，即使模型自己從未真的生成過這段話。Global 的完整流程分五步：先窮舉所有合法的完整動作字串；對每個候選字串，用 teacher forcing 依序問模型原始、未被遮蔽過的逐步機率；把這些機率連乘，得到這個候選的原始分數；對其他候選重複同樣流程；最後把所有候選的原始分數放在一起做正規化，再從中採樣或選出最終動作。也因為第一步要「窮舉」，Global 只適用在動作集合有限、可窮舉的場景——如果合法輸出是開放式自然語言就做不到。

用一組自建的數字（同樣是示範用，不是論文原圖數字）比較兩者的結果差異。假設模型原本（自由生成、未遮蔽）對每一步的原始機率是：

路徑	$P([)$	分岔 token	$P(\cdot\mid[)$	$P(,\mid\cdot)$	下一數字	$P(\cdot\mid\cdot,)$	$P(]\mid\cdot)$
`[3,4]`	0.05	`3`	0.02	0.90	`4`	0.015	0.85
`[2,5]`	0.05	`2`	0.015	0.88	`5`	0.01	0.65

（0.85 與 0.65 這兩個「該不該收尾打 ]」的信心值差異，純粹是模型 tokenizer 或訓練資料造成的巧合，跟「該選哪個動作」這個真正的決策完全無關——這正是問題所在。）

Global 算法（直接連乘，最後才正規化）：

P([3,4])_{\text{原始}} = 0.05 \times 0.02 \times 0.90 \times 0.015 \times 0.85 \approx 0.0000115

P([2,5])_{\text{原始}} = 0.05 \times 0.015 \times 0.88 \times 0.01 \times 0.65 \approx 0.0000043

P([3,4]) = \frac{0.0000115}{0.0000115+0.0000043} \approx 0.73,\qquad P([2,5]) \approx 0.27

Local 算法（每個節點先遮蔽再正規化）：只有 [ 節點是真正的分岔點， $q(3\mid[) = 0.02/(0.02+0.015) \approx 0.571$ ， $q(2\mid[) \approx 0.429$ ，其他節點機率都鎖定為 1，所以 $P([3,4]) = 0.571$ 、 $P([2,5]) = 0.429$ 。

兩者並列比較：

	`[3,4]`	`[2,5]`
Global	0.73	0.27
Local	0.571	0.429

Global 算出的 0.73 對 0.27，差距這麼大，有很大一部分其實是被 ] 這個 token 的原始信心值（0.85 對 0.65）拉出來的，而這個信心值差異只是格式收尾時的雜訊，跟「該選哪個動作」的真正決策無關。Local 因為把「別無選擇」的節點直接鎖定成 1，結果只剩真正的決策分岔點在決定最終機率，更貼近「模型真正想選哪個動作」的訊號——這也是論文選 Local 的理由：確保比較不同 optimization 方法時，看到的機率差異反映的是決策品質，而不是格式收尾 token 剛好比較幸運。

Global 的優勢在於它剛好等於用貝氏定理算出來的條件機率——這是機率論的一般知識，論文完全沒有討論這個角度，但值得記下來。想像完全不做任何限制，讓模型自由生成，生成出不合法動作就丟掉重來（這叫拒絕採樣，rejection sampling），一直重複直到抽到合法動作為止，這個過程最終收斂到的分布，用貝氏定理寫出來正好是：

P(\text{某合法動作} \mid \text{該動作合法}) = \frac{P(\text{該動作，原始未遮蔽機率})}{\sum_{\text{所有合法動作}} P(\text{原始未遮蔽機率})}

這正是 Global 算法的公式本身。換句話說，Global 是「不斷重新生成、丟掉不合法結果，直到抽中合法動作為止」這整個過程最終會收斂到的機率分布，完整保留了模型對每個合法選項原本真正的相對信心，沒有被人為扭曲過。而 Local 每走到一個節點就先局部正規化，等於主動抹掉了模型對格式收尾等 token 的部分原始信心資訊——不是巧合誤差，是這個算法設計上必然發生的系統性偏移，用這個代價換取「一次生成就完成、不用窮舉候選」的運算效率。

兩者取捨整理成一張表：

	Local	Global
運算量	低（一次自迴歸生成即可）	高（每個候選都要跑一次 teacher forcing）
是否等於模型原始信心的真實條件分布	不是，會被格式 token 等雜訊系統性扭曲	是，數學上等價於拒絕採樣得到的分布
適合場景	想要的是「決策品質」，格式雜訊是想主動消除的東西（本篇論文的情境）	想精確得知模型對每個選項的真實相對信心，例如模型校準度（calibration）分析
是否保證輸出合法	保證	保證

值得強調的是：Local 跟 Global 從來不是「要不要保證格式合規」的取捨——兩者都 100% 保證輸出合法，合法動作清單本身就是有限、事先窮舉好的集合，差別只在於「合法選項之間的機率該怎麼分配」。

7 主要結果

7.1 執行效率：teacher 夠強，NPO 才有優勢

論文 Figure 4 比較 NPO 與 GEPA 在 IFBench、HotpotQA（多跳問答，需要串連多份文件才能找到答案）這兩個任務上、換用不同 teacher（Qwen3-8B、DeepSeek-V4-Flash、GPT-5.5）時的表現：

折線圖比較 NPO 與 GEPA 在 IFBench、HotpotQA 上，搭配三種不同強度的 teacher model 時，分數隨執行次數增加的收斂曲線。 — 圖 5 — 換用不同 teacher 時，NPO 與 GEPA 在兩個任務上的表現。（來源：原始論文 Figure 4。）

NPO 換成更強的 teacher 時表現明顯提升：teacher 換成 GPT-5.5 時，NPO 收斂最快、最終分數最高，兩個任務都能用比 GEPA 更少的執行次數（rollout）達到同等或更好的表現。反觀 GEPA 換 teacher 影響較小：GEPA 搭配 GPT-5.5 跟 GEPA 自己當自己的 teacher（搭配 Qwen3-8B）表現大致持平。

不過這裡有個很現實的限制，而且是承接前面〈批次抽樣的隱藏問題〉之外的另一個混淆變因：NPO 使用的 reflection minibatch 大小是 50（IFBench）或 40（HotpotQA），而 GEPA 用的是原論文預設的 3——差了 10 到 15 倍。雖然兩者最終「總 rollout 預算」相近（NPO 3,500/6,800，GEPA 3,593/6,871），但這代表 NPO 每次修訂看到的回饋資訊量遠比 GEPA 豐富。論文完全沒有做「把 GEPA 的 minibatch 也調到 50 重跑一次」這樣乾淨的對照實驗。也就是說，「NPO 比 GEPA 更有效率」這個結論裡，混雜了「單一路線 vs. pool 搜索架構誰比較好」跟「每次修訂看到的回饋資訊量誰比較多」兩個變因，論文自己沒有拆開驗證——這個結論本身可信，但「贏在哪」無法確定歸因。

7.2 跨模型 Prompt 遷移：小模型調好的 prompt，能不能直接套到大模型

論文 Figure 5 測試把在小模型（Qwen3-8B、Llama-3.1-8B）上優化好的 prompt，原封不動套用到更大的模型上（不重新優化）：

長條圖顯示把小模型優化好的 prompt 遷移到不同大小、不同家族的模型上時，效能提升幅度的分布，同家族內遷移的長條普遍較高且較穩定。 — 圖 6 — Prompt 跨模型遷移的效能提升幅度。（來源：原始論文 Figure 5。）

同一個模型家族內的遷移效果最強，大多穩定為正——例如 Qwen3-8B 優化好的 prompt 套到 Qwen3-14B、Qwen3-32B。跨家族遷移（例如套到 Llama 系列）也大多正向，但幅度較小、變異較大。少數例外是負值（例如 IFBench 搭配 GEPA 遷移到某些模型出現 -0.07、-0.002），但屬於少數情況，不是普遍現象。

這一節證明的其實是 prompt optimization 相對於權重層級 RL 的一個實際優勢——不需重新訓練就能遷移。但要注意，NPO 和 GEPA 在這一點上表現相近，這不是 NPO 獨有的優勢。

7.3 與 GRPO 的比較：沒有全面贏家

論文 Figure 6 在 22 個 TextArena（一套提供給 LLM agent 測試的文字型遊戲平台）遊戲環境中，控制相同的 rollout 預算，比較 NPO、GEPA、GRPO：

長條圖比較 NPO、GEPA、GRPO 三種方法在 22 個 TextArena 遊戲環境中的效能提升幅度，不同遊戲下三種方法的相對排名並不一致。 — 圖 7 — 三種優化方法在 22 個遊戲環境中的效能提升比較。（來源：原始論文 Figure 6。）

沒有全面贏家：NPO 與 GEPA 表現大致相當，沒有誰系統性地比較好；GRPO 在部分「prompt optimization 較無力」的任務上明顯更強。以 2048 遊戲為例：

方法	效能提升
GRPO	+6.9
GEPA	+0.90
NPO	+0.22

GRPO 的提升幅度遠超另外兩者。部分雙人策略遊戲（如 Chess、ConnectFour、Crusade）三種方法表現都不佳、甚至出現負值，顯示這類任務可能本質上不太適合這三種方法中的任何一種。

論文明確指出，這個結果跟過去文獻常見的「GEPA 系統性優於 RL」印象不同——這裡沒有觀察到 GEPA 全面勝過 GRPO 的現象。老實說，這反而是這篇論文比較誠實、也比較有價值的一個發現，下一節會再談。

7.4 有沒有評估答案洩漏

因為 NPO 搭配強 teacher 時常產生比 GEPA 長很多的 prompt，論文額外檢查了一件事：這些 prompt 是否不小心「背」進了訓練或驗證集的正確答案，導致分數提升只是資料污染而非真實能力提升。

折線圖顯示優化後的 prompt 跟訓練集答案的重疊度隨迭代逐漸上升，但跟驗證集答案的重疊度幾乎維持在低點，兩條線的走勢明顯分開。 — 圖 8 — 優化後 prompt 與訓練／驗證集答案的重疊度變化（HotpotQA）。（來源：原始論文 Figure 7。）

優化後的 prompt 跟訓練集答案的重疊度會隨迭代自然上升——這符合預期，因為 prompt optimization 本來就該從訓練範例中萃取有用資訊——但跟驗證集答案的重疊度幾乎沒有增加，人工檢查也確認少量重疊只是訓練跟驗證題目剛好共享同一個答案，不是直接洩漏驗證題目本身。結論是：觀測到的效能提升不太可能是評估答案洩漏造成的。這算是論文對自己實驗誠信度的把關，屬於加分項，不是核心貢獻。

8 這篇論文真正值得帶走的東西

8.1 論文本身的貢獻，說實話偏低

把前面幾節攤開來看，NPO 這個核心方法——用 sliding-window 回饋取代 pool-based 搜索——是 OPRO 的漸進式修改，不是新機制。核心賣點「NPO 用更少 rollout 打平或贏過 GEPA」這個結論，因為 reflection minibatch 大小沒對齊（NPO 50 對 GEPA 3）而混雜了兩個變因，論文自己沒有拆開驗證，所以「贏在哪」無法確定歸因。

反而比較站得住腳的貢獻是修正性的：推翻了「GEPA 系統性優於 RL（GRPO）」這個過去文獻的印象，誠實展示三種方法各有勝負、沒有全面贏家。這種「打臉過度宣稱」的價值，通常比正面宣稱更可信。Gold-answer leakage 的檢查算是加分項，不是核心貢獻。

一句話總結：這篇論文的貢獻接近一份乾淨的 ablation/baseline 研究，方法論創新趨近於零，真正的價值在下面這三點，而且這三點都獨立於 NPO 這個方法本身，脫離這篇論文也照樣成立。

8.2 心法一：配對隨機種子做公平比較

跟統計上的配對設計（paired design）是同一個邏輯：把會製造雜訊的變因鎖死成相同，才能讓組間差異乾淨反映真正想測的變因。以後要比較任何兩套系統或流程——不限 AI——這個原則都適用。

8.3 心法二：Constrained Decoding 的完整機制

字首樹（prefix trie）加逐節點遮蔽／重新正規化，是 Outlines 這類約束生成工具的底層邏輯。這不只是「知道有這個功能」而已，而是具體知道它逐 token 怎麼運作，遇到需要自己實作類似機制時才不會卡關。

8.4 心法三：Local vs Global 的取捨規則

這是整篇筆記技術含量最高的部分。Local 運算量低、一次生成就完成，但系統性地抹掉格式 token 的原始信心，只保留真正的決策分岔點，適合只在乎「決策品質」、想主動消除格式雜訊的場景。Global 數學上等價於拒絕採樣（rejection sampling）得到的真實條件機率，忠實保留模型原始信心，但運算量高——每個候選都要跑一次 teacher forcing——適合需要精確得知模型真實相對信心的場景，例如模型校準度分析。

背後更通用的觀念是：拒絕採樣與條件機率的等價關係。這在機率論與 MCMC（馬可夫鏈蒙地卡羅）方法中是通用工具，不只用在 constrained decoding 這一個場景，值得當成一個獨立的知識點記下來。

9 結論

NPO 這篇論文表面上的主張，是「回饋給得夠豐富、teacher 夠強，就能用一條路線的 prompt 修訂打平甚至打贏複雜的搜索式方法」。實驗結果部分支持這個主張，但因為 reflection minibatch 大小沒對齊，「贏在架構簡單」還是「贏在回饋資訊給得多」這兩個原因沒有被拆開驗證，所以只能算部分證實，不是斷案。

真正值得留下來的，反而是這篇論文示範的實驗方法論：用配對隨機種子把環境難度的雜訊鎖死，用約束解碼加上字首樹把格式雜訊跟決策品質分開，並且在 Local 與 Global 兩種機率算法之間做出清楚的取捨說明。這三件事都跟 NPO 這個方法本身無關，卻是這篇論文留下來最耐久的部分——下次自己要設計任何兩套系統的公平比較時，這套工程紀律可以直接拿來用。

目錄

目錄

Naive Prompt Optimization：拿掉搜索之後還剩下什麼

1 前言