深度分析
PlanE 框架：Meta 提出資料分解、指令調校與提示推論三階段規劃，優化萃取式 LLM 建構
為解決大型語言模型（LLM）在特定任務中資料標註成本高昂且缺乏系統性優化的痛點，研究團隊提出 PlanE 框架。該框架整體規劃了資料分解、指令調校與提示推論三個階段，不僅將複雜任務拆解為子任務，更結合監督式微調與強化學習，並搭配多樣化推論策略以提升精準度。其核心 DTI 規劃器 透過元學習預測最佳組合，實驗證實其在效能與搜尋效率上均優於傳統演算法，為建構萃取式 LLM 提供了一套高效的系統化解決方案。