UPenn 新论文：无需正确性标签，用模型分歧做弱到强路由
pappasg69 · x · 2026-10-21
宾夕法尼亚大学团队（Sima Noorani、Shayan Kiyani、George Pappas、Hamed Hassani）发布论文《Disagreement-Guided Weak-to-Strong Routing》。
问题背景：小模型部署在边缘设备和机器人系统上以省成本降延迟，但能力有限；决定何时把小模型的回答升级给更强模型，通常依赖「回答是否正确」的信号——而在开放式和 agentic 任务中，这类正确性标签既难定义又难以规模化获取。
方法与结论：论文先刻画了最优弱到强路由策略（允许本地推理生成多个小模型候选），再提出基于模型间分歧（model disagreement）的度量来近似最优路由信号，完全不需要真值监督；强模型越接近真值分布，该近似越准。在 agentic 与单轮任务上，该方法有效平衡路由成本与回答准确率；即便有真值标签可用于训练，基于分歧的路由甚至能超过直接训练预测正确性的方法。
「编程与Agent」频道最新
- Slack 元老谈 after coding：活文档为真源，AI Agent 维护规范 — josh_wills · 2026-10-21
- GitHub Copilot 推出 HydraFusion：按任务动态编排多模型执行 — WirelessLife · 2026-10-21
- Nous Research Hermes 接入 Cua Spaces,开源模型也能操控电脑 — alexcovo_eth · 2026-10-21
- Slingshots 四期项目 Headlong：专为持久化 Agent 打造的微 Harness — lateinteraction · 2026-10-21
- Laude 研究院 Slingshots 四期发布：14 个开源项目押注 Agent Harness 与全开放模型 — lateinteraction · 2026-10-21
- Skills/MCP/RAG/Memory 一张图分清：agent 四类知识机制各管什么 — MaryamMiradi · 2026-10-21