路由相关 AI 资讯 · AI 热点

8月18日

15:28

15:28

官方账号arXiv cs.AI@Cedric Caruzzo, Donggeun Yoo, Tae Soo Kim

该论文研究同权重MoE自蒸馏中，教师和学生模型共享权重但路由不同专家的问题。通过精确的块级分解，将路由项与内容项分离，在7个开源检查点和2个领域上测试。结果显示路由项对块输出的影响仅1.6倍，残差流暴露为3.2倍。PubMedQA预注册实验表明，路由项移动输出的效果不到自然上下文效应的一半，且可被匹配范数噪声复现。结论是路由移动本身不能证明行为影响，需先测量暴露度。

论文 MoE 自蒸馏路由

推荐理由：这篇论文把MoE路由分歧讲透了，用分解和实验证明路由项影响很小，做自蒸馏的值得看看。

7月28日

06:20

06:20

Fireworks AI@FireworksAI_HQ

Fireworks AI 推出 Nexus，一个智能体编排层，可连接 Claude Code、Codex、OpenCode 等已有工具。Nexus 支持智能路由，自动将任务匹配到 Kimi K3、GLM-5.2 或闭源前沿模型。提供企业级预算、策略和用量可见性。开发者无需改变工作流即可使用。

AI产品 Nexus Fireworks AI 智能体

推荐理由：团队用不同 AI 工具的话，Nexus 能让它们跑一个平台：自动选模型、控成本，还不改工作方式，省心省力。

7月24日

03:06

03:06

Paul Couvert@itsPaulAi

Offloop团队推出D1层，一个仅3B参数的多智能体路由层。它在GDPval基准上达到SOTA，领先Claude Code和Codex，覆盖美国年收入2.4万亿美元的岗位需求。D1自动决定每个步骤由哪个智能体执行，替代手动比较多个agent输出。

AI模型 Offloop D1 GDPval

推荐理由：Offloop搞了个D1路由层，3B参数就能自动调度多个AI agent，基准上干掉了Claude Code和Codex，挺有意思。

6月30日

12:43

12:43

官方账号arXiv cs.AI@Dvir Alsheich, Adar Peleg, Ben Hagag, Rom Himelstein, Amit Levi, Avi Mendelson

ANTAP 是一种评估驱动的路由架构，通过主动能力测试取代代理的文本描述或嵌入代理。在实验中，ANTAP 对基于描述的注入攻击的攻击成功率（ASR）接近 0%，而基于描述的路由基线 ASR 达到 67.3% 以上。对于自适应嵌入攻击，ANTAP 的 ASR 比基于嵌入的基线降低 20%，且设计上对描述操控具有鲁棒性。该架构建立“语言防火墙”，使基于元数据的攻击无法表达。

论文 ANTAP 多智能体 AI安全

推荐理由：这篇论文提出了 ANTAP，用代数投影代替代理描述做路由，把注入攻击成功率打到了接近零，比传统方法安全太多。

6月15日

15:24

15:24

量子位@思邈

研究团队提出OrcaRouter，一种多模型路由方法。该方法通过动态选择多个小模型协作，在性能上反超了单一大型模型Fable 5。同时大幅降低了推理成本。OrcaRouter的实现验证了多模型集成可行且高效。

AI模型 OrcaRouter Fable 5 多模型

推荐理由：想低成本体验Fable 5级效果？OrcaRouter让一群小模型组队打架，结果更猛，值得一试。

11:13

11:13

官方账号arXiv cs.LG@Yining Huang

该论文提出一种路由专用双适配器编辑器（Route-Specialized Dual Adapters），通过相关性路由器决定是否对提示应用编辑记忆，并训练编辑适配器和局部性适配器分别处理编辑和未编辑的提示。在CF、ZSRE和MQUAKE三个基准（各包含1000个案例）上，使用LLaMA-3.1-8B-Instruct模型时分别达到0.8180、0.8946和0.9922的概率偏好准确率，在Qwen3-8B上也表现一致。消融实验表明，性能提升主要来自分离编辑注入与非路由抑制的机制，而非单纯增加LoRA容量。

论文知识编辑 LLaMA-3.1-8B-Instruct Qwen3-8B

推荐理由：论文教你如何让AI知识编辑更精准

6月12日

01:23

01:23

elvis@omarsar0

Omar 在 X 上分享了他有效使用 AI Agent 的两个核心策略：路由（Routing）和循环（Looping）。路由指将不同任务分配给最合适的 Agent，循环则结合指令、技能、动态工作流和自动化。他认为这种方法能更好地控制成本和性能，并为未来的变化做好准备。该帖子获得了 856 次浏览和 10 个点赞，引发了社区对 Agent 使用技巧的讨论。

AI产品智能体路由循环

推荐理由：做 AI Agent 开发的团队可以借鉴这套路由+循环的思路，直接优化现有工作流，提升成本与性能的平衡。

6月2日

12:02

12:02

官方账号arXiv cs.AI@Yuyang Li, Zihe Yan, Tobias Käfer

多跳问答系统通常对每个问题都进行昂贵的检索，包括分解问题、多轮检索或搜索桥接实体，这增加了LLM调用的token成本。但分析发现，许多多跳问题通过单次RAG就能正确回答，因此对每个问题都进行额外检索浪费了预算。RASER是一种基于单次RAG和六个特征构建的廉价路由器，RASER-2决定是停止还是升级到PRUNE（额外检索），RASER-3在单次RAG、PRUNE和迭代检索IRCoT之间选择，且不额外调用LLM。在六个LLM和三个基准测试中，RASER在F1得分上与SOTA基线竞争，但token消耗仅为始终PRUNE的41-49%，且低于迭代和分解检索基线。

论文多跳问答 RAG 路由

推荐理由：RASER解决了多跳问答中检索成本过高的问题，做RAG系统或问答管线的开发者可以直接用这个轻量路由器来节省token预算，同时保持准确率。