SeLMRoute 用可解释语义证据做 LLM 路由,准确率 72.08%
Indigma · hf · 2026-10-01
SeLMRoute 提出一种新的 LLM 路由框架:把与候选模型无关的语义证据提取,从候选性能学习和部署目标应用中解耦。
- 决策模型先对一组可解释问题(如推理需求、是否需外部知识)打分,每个判断保留为概率分布,构成概率语义状态。
- 轻量监督路由器据此估计候选模型表现,再叠加性能导向或成本感知目标,同一语义状态可支持多种路由策略。
- 在 LLMRouterBench(15 数据集、20 候选模型、11481 查询)上平均准确率 72.08%,最强固定候选模型为 69.23%;13 模型性能-成本设置中五个分组全部提升,平均 PerfGain 2.66%。
代码已开源:github.com/Indigma-Innovations/SeLMRoute
「研究」频道最新
- 学者质疑：新模型能解旧难题，但学习理论缺可预测猜想 — brianryhuang · 2026-10-01
- ParallelPilot 论文：并行编码智能体吞吐量提升 63% — erichorvitz · 2026-10-01
- 多 harness RL 指南:LFM2.5 得分 42%→54%,工具调用少 31% — SergioPaniego · 2026-10-01
- LATENT 用不完美人类动数据教会人形机器人打网球对拉 — chris_j_paxton · 2026-10-01
- 博科尼研究：人人有 AI 的时代，学校最该教因果推理 — daveholtz · 2026-10-01
- DeepSeek Sandbox 论文：智能体自己翻日志找泄露答案、装新包 — mattsheehan88 · 2026-10-01