用途：使用 SIMBA（随机内省小批量上升）优化 DSPy 程序，通过小批量采样、输出变异性分析、自反思规则和成功示例来迭代改进提示。适合需要比 GEPA 更轻量、有数值指标、希望获得内省规则与示例、且评估调用预算有限的场景。
主要能力：识别输出变异性高的困难样本；生成自反思规则或添加成功示例；使用配置的 LM 或 prompt_model 进行内省；比基础 bootstrap 更具探索性。
使用方式：定义 dspy.Module 程序、trainset、返回数值分数的 metric，然后创建优化器并编译： optimizer = dspy.SIMBA(metric=qa_metric, max_steps=10, bsize=5) compiled = optimizer.compile(program, trainset=trainset) compiled.save("qa_simba.json") 可配置参数包括 max_steps、bsize（默认 32）、num_candidates（默认 6）、max_demos（默认 4）、temperature_for_sampling（默认 0.2）、temperature_for_candidates（默认 0.2）。
适用场景：问答流水线、研究型 ReAct 智能体等需要数值指标优化的 DSPy 程序；指标可设计为分级分数而非仅二值。
限制：较新，实战验证少于 MIPROv2；依赖合理的指标设计；对智能体优化不如 GEPA 彻底；小批量采样会带来结果方差；不消费 GEPA 式文本反馈指标。官方文档见 https://dspy.ai/ 与 https://dspy.ai/api/optimizers/SIMBA/。