当前位置：首页 > news >正文

律师在哪个网站做国家企业信用系统官网

news 2025/10/18 6:20:18

律师在哪个网站做,国家企业信用系统官网,wordpress登录循环,免费的查企业的网站传统“模型路由”多数假设一个固定的候选 LLM 池（static pool），路由器只需要在这组已知模型里挑选最便宜且“够用”的模型；但现实中模型池经常变化：新模型不断上线，旧模型下线。每当模型池变化，…

传统“模型路由”多数假设一个固定的候选 LLM 池（static pool），路由器只需要在这组已知模型里挑选最便宜且“够用”的模型；但现实中模型池经常变化：新模型不断上线，旧模型下线。每当模型池变化，重新标注训练数据、重训路由都很费时费钱。这篇论文（Universal Model Routing for Efficient LLM inference）关注动态模型池（dynamic pool）：测试时出现未见过的新 LLM，如何在无需重训路由器的前提下把请求路到合适的新模型上。

作者提出了 UniRoute这种新的解决方式：把“每个 LLM”表示成一个特征向量，路由器学会基于这些“LLM 特征”做决策，从而泛化至未见过的 LLM。论文在公共基准上验证了能在 30+ 未见过的 LLM 中有效路由。

下面我们简要介绍新 LLM 加入 UniRoute 体系的完整流程（具体的细节笔者没有深入研究，只是梳理了大致的实现思路，读者朋友们感兴趣的话可以阅读论文进一步研究哈）。

0. 前置条件（一次性准备）

在新模型加入之前，需要系统已经具备：

聚类器 / 样本特征映射
- 用历史训练集做 K-Means（或 LearnedMap），得到 Φ_clust(x)：能把任意请求分到 K 个簇之一。
（用已有的训练数据做一次 K-Means（或别的聚类）得到 K 个“题型簇”。这会给每道题一个“簇编号”（比如：推理类、编程类、闲聊类…）。得到一个函数 Φ_clust(x)，能把任意题目分到某个簇。）
已有模型的能力画像
- 对已部署的 LLM 都有 Ψ(h_old)（每个簇的错误率）。注：Ψ(h）是一个 K 维向量，告诉我们“这个模型在每种题型上的容易出错程度”。
假设 K=3 个簇：推理 / 编程 / 闲聊。

在 1200 道验证题里，每个簇各 400 题。新模型 h 做完后统计到：
- 推理：错了 80 / 400 → 出错率 0.20
- 编程：错了 220 / 400 → 出错率 0.55
- 闲聊：错了 60 / 400 → 出错率 0.15
那么 Ψ(h)=[0.20, 0.55, 0.15]。这就告诉我们：这个模型在编程题上明显较弱，路由器就会倾向把编程相关的请求送给别的更稳的模型。
小验证集 S_val
- 大约几百到一两千条题目，覆盖所有簇，且有标准答案或可判分规则。
用户提出一个新问题 x：
- 先用 Φclust(x) 把它分到某个簇 c；
- 对每个候选模型 m 查询它的 Ψ(m)[c]（即在该题型上的出错率估计）；
- 再加上成本项，选 Ψ(m)[c]+λ⋅cost(m) 最小的模型去答。

1. 新模型接入步骤

Step 1：运行验证集

让新模型 h_new 在 S_val上跑一遍：

preds_new = [h_new.predict(x) for x in val_texts]

如果是生成任务，用自动评测器或判题 LLM 判对/错。
得到对/错标签：errors = [int(p != y) for p, y in zip(preds_new, y_val)]

Step 2：按簇统计错误率

利用已有聚类映射，把验证集每道题分配到对应簇：

cluster_ids = [Φ_clust(x) for x in val_texts]

然后统计每个簇的出错率（带拉普拉斯平滑）：

alpha = 1.0  # 平滑系数
num = [0]*K
err = [0]*K
for cid, e in zip(cluster_ids, errors):num[cid] += 1err[cid] += eΨ_new = [(err[c] + alpha) / (num[c] + 2*alpha) if num[c] > 0 else 0.5for c in range(K)
]

这就是新模型的能力画像 Ψ(h_new)。

Step 3：更新路由器配置

把新模型的信息加进路由器：

router.model_profile["new_model_name"] = Ψ_new
router.cost_by_model["new_model_name"] = cost_value  # 该模型的调用成本/延迟

Step 4：立即参与线上路由

新模型现在可以和已有模型一起被路由选择：

chosen, score, scores = router.route(user_query_text,candidate_models=list(router.model_profile.keys()),lambda_=0.4)

lambda_ 控制质量–成本平衡。
新模型会在它强的簇被优先选中，在弱的簇被替换掉。

2. 流程示意图

   新 LLM│▼
[ 在小验证集 S_val 上推理 ]│   得到对/错序列▼
[ 按聚类器分配到 K 个簇 ]│   每簇计算错误率 + 平滑▼
[ 得到能力画像 Ψ(h_new) ]│▼
[ 更新路由器的 model_profile & cost_by_model ]│▼
[ 立即参与在线路由决策 ]