Google DeepMind 研究模型路由：不只看准确率，还看稳定性
burkov · x · 2026-07-21
一篇来自 Google DeepMind 的新论文研究了：当系统要在多个语言模型或 agent 之间路由请求时，怎样判断路由是否真的有意义。
作者提出两个量化指标：一个衡量模型在不同任务上的行为差异，另一个检查在不改变语义的前提下——例如拼写错误、改写、加入无关文本——路由决策是否稳定。实验显示，少于 10 个精心挑选的模型就能保留大部分有用的行为多样性；而近邻路由虽然准确率高，却可能对措辞微小变化非常敏感。基于模型描述的路由在某些场景下准确率略低，但稳定性更好。
所属事件:Google DeepMind 新研究提出模型路由的多样性与稳定性评估指标(2 条相关)→
「研究」频道最新
- ICML 2026立场论文:别把中间token叫「思考轨迹」 — rao2z · 2026-10-27
- forking 收官：probe gap 随上下文频率呈幂律，掩蔽低频 n-gram 可缩小差距 — ZimingLiu11 · 2026-10-27
- 「forking」机制拆解：n-gram 表把 logits 切成互不干扰的子空间 — ZimingLiu11 · 2026-10-27
- 被称最佳 LoRA 讲解视频：从几何直觉讲到任务内在维度 — sophiamyang · 2026-10-27
- 不改一个权重，机器人精度任务从 0/10 提到 9/10 — hbouammar · 2026-10-27
- EMNLP 论文 MICE 将 Cross-Encoder 从重排推向端到端检索 — antoine_chaffin · 2026-10-27