Classifiers

general · First seen 2026-05-22 · Last seen 2026-11-17 · 37 mentions

Overview

Classifiers(分类器)是机器学习中用于将输入数据划归到预定义类别的一类模型,也是大模型应用中承担路由、审核、意图识别等任务的基础组件。从传统方法如朴素贝叶斯、支持向量机、随机森林,到基于 LLM 微调的文本分类器,再到量子分类器等前沿方向,这一领域的应用边界仍在持续扩展。

Classifiers 近期进展

  • OpenRouter 推出 Classifiers 标签推理功能(Beta):LLM 路由平台 OpenRouter 在 2025 年底上线了 Classifiers 标签推理的 Beta 功能,允许开发者用分类器为请求打标签,作为流量分发的基础设施。
  • 用 Jev Classifiers 自动分类 LLM 请求:随后 OpenRouter 展示了基于 Jev Classifiers 自动分类 LLM 请求的实践,把请求按任务类型或复杂度归类,用于更精细的路由与成本控制。
  • Google AI Research Releases Agile Deliberation Framework for Gray-Area Image Classifiers:Google AI 研究团队提出面向“灰色地带”图像分类器的 Agile Deliberation 框架,针对主观性样本让分类器在快速判断与深入审议之间动态切换。
  • Machine Learning-Based Detection of Mobile Money Scan Messages in Ghana:一项针对加纳移动支付诈骗短信的研究,对比评估了朴素贝叶斯、支持向量机和随机森林三种分类器的检测效果,显示传统方法在特定场景下仍具实用价值。
  • Circuits of LLM Classifiers:该研究从机制可解释性角度切入,分析基于 LLM 的分类器内部“电路”如何实现分类决策。
  • 当前焦点与观察点

    当前对 Classifiers 的讨论集中在三条线上:一是工程侧,OpenRouter 等平台把分类器做成路由和请求分发的通用组件,让 LLM 应用的成本与质量优化更多依赖轻量分类而非全量大模型推理;二是可解释性与公平性,如 Bayesian Learning to Select Fair Classifiers 探讨在不确定性下选择公平分类器的方法,CRANE: Post-Hoc Counterfactual Retrieval for Multimodal Classifiers 则通过反事实检索解释多模态分类器;三是前沿与可靠性,包括自适应分类器与漂移检测器的博弈(The Blind Spot Paradox,以及 UCR 时间序列基准对分类器提出的真实挑战。对开发者和研究者而言,值得观察的是:LLM 驱动的分类器是否会取代传统机器学习分类器成为主流,以及“灰色地带”主观分类任务的可靠性如何通过审议机制获得保证。

    Coverage

    10 on file