4B路由调度系统效果可超越Opus 5.5！NUS等提出Route Anything研究框架
智猩猩AI整理 论文作者投稿 近日，新加坡国立大学、InfRec Cardinal AI Lab、UCB、香港科技大学等机构的研究者提出Route Anything，将模型与机器....
近日，新加坡国立大学、
InfRec Cardinal AI Lab、
UCB
、香港科技大学
等机构的研究者提出
Route 
Anything，将模型与机器人策略放进同一套质量与成本框架，让系统根据当前任务选择更合适的候选。
传统
Router 常被用来降低调用成本：尽量用便宜模型接近强模型的表现。这项工作进一步追问，
模型之间的互补，能否让组合系统超过最强单模型？
团队在
AAII 评测中报告了超过最强单模型的总体表现。论文中的一个具体结果是：在
Terminal-Bench
的
36
个共同测试输入上，
4B
路由器调度系统得到
77.78
分，固定调用
Opus 5.5 为
69.44
分。
同一个选择器还能处理文本、
Agent、图像、视频和语音任务。另一组独立代码实验则将调用费用降低
96.1%
，测试质量仅低
0.44
分。
模型榜单给出了平均成绩的排名。
Route Anything 关注的是，面对眼前这个输入，谁更可能把它做好。
01
最强模型之外，
还有多少选择空间
研究团队先把候选放到相同输入上比较。
整项研究覆盖
25 项基准、
452
种候选配置与
374,401
次已评分运行，既包括生成模型，也包括代码与办公
Agent
、机器人策略。
固定基线在训练数据上为每项基准选出最好的候选，测试时始终调用它。另一端则是逐输入
Oracle：看到所有候选的实际结果后，每次都选得分最高的那个。
在
24 项基准、
19,814
个候选结果完整的测试输入上，固定候选得分为
82.60
，
Oracle
为
87.98
，相差约
5.4
分。视频生成与机器人操作的差距分别达到
18.9
分和
18.4
分。
如果先知道任务属于哪类能力，再为每类选好模型，能拿到多少收益？在具有能力分类的
18 项基准上，即使允许事后选择，这种分配方式也只覆盖约
8%
的
Oracle
差距。
大部分互补，仍然藏在同类任务的不同输入里。
知道这是代码题或视频生成任务，只是选择的起点。
Oracle 利用了已经发生的结果，实际路由器则要在执行前找到判断线索。
研究者基于
Qwen3.5-4B 训练了一个能力树路由器。它读取任务文本与输出要求，预测输入对应的能力节点，再查询训练阶段建立的
“
节点
—
候选
”
映射表。
这棵树共有
157 个叶节点。所有任务共用一个分类器和一张映射表，连接文本、代码与办公
Agent
、图像、视频、语音五类输出。
4B
模型负责选择，具体任务仍由被选中的模型完成。
02
只教它选冠军，
会丢掉多少成功经验
换到机器人，任务文字还不够。物体位置、相机视角和场景扰动都会影响策略表现。同样一句指令，在不同场景里，适合的策略可能变化。
团队因此单独训练视觉结果预测路由器，读取指令、三路相机画面和机器人状态，为七种视觉
—
语言
—
动作策略分别预测成功概率，再选出一个执行。
训练它时，一个直观做法是为每个场景标出唯一
“
冠军
”
，让分类器记住谁赢。但如果几种策略都能成功，冠军该给谁？
实验用推理时间打破平局，
94% 的冠军标签由这条规则决定。
31,408
条成功训练结果中，有
24,556
条仅因没有成为唯一胜者，就被当成了错误选择。
在相同输入、骨干模型和训练场景下，只预测冠军的分类器，机器人成功率为
42.8%；逐策略预测结果的路由器，成功率达到
71.6%
。
一个场景可以有多个正确选择，训练信号也应保留这些成功。
逐策略结果预测让每种候选的成功与失败都参与学习，再在选择阶段比较谁更适合当前输入。
03
表现可以提高，
调用账单也可以降下来
统一能力树路由器在
16 项基准的
3,444
个共同测试输入上接受评估，总体得分为
79.98
，高于各基准最佳固定候选组成的基线
79.68
。
Terminal-Bench
从
69.44
分提高到
77.78
分；视频生成
VBench-2.0
从
62.17
分提高到
64.28
分；图像生成
OneIG
从
83.20
分提高到
84.30
分。
路由器并没有频繁更换模型，
83%–86% 的输入仍被交给固定候选。整体收益来自一部分值得改变的选择。
机器人实验使用
RoboTwin 的
2,000
个仿真场景，来自训练时未见的
10
个任务。干净场景中
PatchWAM
更强，随机化场景中
ME-Dex
更强，视觉路由器学到了这个切换规律。
总体成功率从最佳单策略的
70.45% 提高到
71.55%
，增加
1.1
个百分点；平均每场景的策略推理时间从
14.51
秒降至
11.05
秒，减少
24%
。
能力接近时，价格差异带来另一种路由机会。
Route Anything 根据参考策略与可接受的质量变化，选择费用更低的路线，让质量要求对应到实际调用方案。
独立的
CodeRouterBench 实验比较八个模型，包含
9,999
个代码任务，其中
2,919
个用于测试。研究者以固定调用
Opus 4.6
为参考，按任务维度与来源选择候选。
在拟合阶段要求相对参考策略零质量损失，得到的状态路由在测试集上仅低
0.44 分，每题平均费用由
0.011655
美元降至
0.000452
美元，
减少
96.1%。每美元质量达到参考策略的
25.5 倍。
这条路线最终把所有任务直接交给较便宜的模型。五项图像生成基准也出现类似结果：训练阶段允许最多半分质量变化，测试费用下降
26%，测试质量低
0.47
分。
更贵的模型是否值得调用，要看它能为当前输入多带来多少质量。路由的作用，是把这项判断变成系统可以执行的选择。
04
模型各有所长，
系统需要知道何时调用
从文本与多模态生成，到
Agent 和机器人，
Route Anything
将不同形式的能力接入同一个选择问题：当前任务交给谁，能取得怎样的结果，又要花费多少资源。
一个
4B 选择器已经能够调度五类输出；机器人路由器则根据现场画面，识别已有策略各自适合的场景。组合系统的表现由此有机会超越始终使用单一候选的结果。
这项工作也留下了明确的研究空间。按能力分类只能覆盖一部分互补，更多机会需要从具体输入和真实执行结果中学习。保留每种候选的成功与失败，是理解这些差异的重要基础。
当模型和策略不断增加，系统除了知道谁平均更强，还需要知道谁此刻更合适。让已有能力被准确调用，正在成为通用
AI 系统的一条发展路径。
本文由本站编辑组整理与排版，内容基于公开信息核实后归纳发布，与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态，力求信息准确、表述清晰；文中涉及的名称、价格与功能细节可能随官方调整而变化，请以官方最新说明为准。如发现疏漏或表述有误，欢迎通过站内渠道反馈指正。
