Route Anything：让通用 AI 学会为每个任务选择合适模型

导语

构建通用人工智能，未必意味着训练一个包办所有任务的超大模型。另一条路线是建立一个“模型与策略组成的系统”：面对语言理解、图像生成、视频生成、语音、编程、办公代理或机器人操作等任务，系统先判断当前请求的需求，再选择更合适的候选模型、工具或执行策略。

论文《Route Anything》关注的正是这一问题：路由器如何在任务质量和计算成本之间做出动态取舍？研究者希望回答的不只是“哪个模型最好”，还包括“在什么信息条件下，系统能否为每个输入选择更合适的候选”。

核心要点

• 统一研究模型与策略路由。 论文将不同模型、工具和策略视为候选配置，并建立质量—成本权衡下的统一理论框架。路由器可利用的信息越充分，其理论上能够达到的性能上限也越高。
• 覆盖多种模态与任务。 研究团队构建了全模态轨迹矩阵，覆盖 25 个基准，涉及语言理解、图像、视频与语音生成、代码和办公代理，以及机器人操作，共收集 452 个候选配置的 374,401 次评分运行。
• 理想路由展示了上限。 在逐输入选择候选的理想情况下，路由结果比表现最好的固定候选高 5.4 分。这说明不同模型之间存在互补性，单一模型并不一定适合所有输入。
• 学习型路由具备实际潜力。 在 16 个基准上，学习型路由比最佳固定候选高 0.3 分；在视频生成和机器人操作上，提升分别达到 2.1 分和 1.1 分，同时策略执行时间减少 24%。
• 效率收益可能比单纯提分更重要。 论文报告称，在四种设置下，路由平均带来 8.82 倍的相对效率提升。不过，这一指标依赖具体的成本定义、参考模型和实验设置，不能简单理解为所有部署场景都能获得同等加速。

意义与局限

这项工作的价值，在于把“模型选择”从工程经验提升为可系统研究的问题。未来的通用 AI 系统可能不再只有一个固定大脑，而是由多个专业模型、工具和代理策略组成。路由器则承担类似调度层的角色：简单任务交给低成本候选，复杂或高风险任务交给能力更强的候选，必要时还可以在不同模态和执行方式之间切换。

对推理服务而言，这种思路有助于降低平均成本、控制延迟，并提高异构模型资源的利用率；对多模态和具身智能而言，它也提供了一种跨任务组织能力的方式。不过，论文摘要并未给出所有路由器的输入特征、训练细节和部署开销，因此实际收益仍需结合具体系统验证。路由器本身的误判、候选模型性能波动，以及不同基准之间能否迁移，都是落地时必须面对的问题。

总体来看，Route Anything 的核心启示不是“最强模型已经不重要”，而是：当候选生态足够丰富时，如何选择和组合模型，可能与继续扩大单一模型同样关键。路由或许会成为通用 AI 推理栈中的一层基础设施。

来源：Hugging Face Daily Papers