LLM路由的隐形偏见：非标准英语用户为何被"降级"服务

当LLM路由遇上语言变体：一个被忽视的公平性问题

大型语言模型服务正越来越多地采用一种"分层路由"策略：面对每一个用户查询，系统会先用一个低成本的复杂度估计器判断问题难易，然后把简单问题分给能力较弱的小模型，把困难问题交给能力强大的大模型。这种做法在成本与性能之间取得平衡，看似合理高效。

但一篇发表在 arXiv 上的研究（arXiv:2609.17542）揭示了这套机制潜藏的问题：复杂度路由并非"语域中立"（register neutral）。研究表明，用非标准英语语域书写的文本——比如非裔美国人英语（African American English）或第二语言学习者的英语——会被系统性地分配到能力更低的模型层级，而语义完全等价的标准英语版本却能获得更强模型的服务。

分层路由（tiered routing）在工业界有多种实现形式。常见的做法包括：基于规则的长度/困惑度阈值、用小型分类器预测查询复杂度得分、以及用弱模型先尝试回答后再判断是否需要升级（级联式路由）。非裔美国人英语（African American English，AAE）是美国最具研究价值的英语变体之一，有完整的内部语法体系，使用者逾数千万，但长期在NLP训练数据中被低估或被当作"噪声"剔除。第二语言英语（L2 English）则覆盖全球数以亿计的非母语使用者，他们的书写通常词汇更简洁、句式更短，但思维复杂度与母语者并无本质区别。这两类用户群体在AI系统中天然处于弱势地位，使得路由公平性问题具有显著的社会影响。

偏见的根源：输入长度这个"简单"信号

研究最有价值的发现在于精确定位了偏见的来源。作者指出，导致这种差异的并非复杂度评估的整体机制，而是一个特定且常见的路由信号——输入长度。

非标准语域往往会省略功能词（function words），例如冠词、系动词等。这使得同样含义的句子在字面上显得更短，进而在长度导向的复杂度估计中"看起来更简单"。系统据此判断该查询无需强模型处理，于是将其路由到低层级。研究强调，其他复杂度信号并不携带这种偏见——问题恰恰出在长度这一单一维度上。

换句话说，语言的表达差异被机械地误读为问题的难度差异。一个第二语言学习者提出的复杂问题，可能仅仅因为语法结构的简洁而被"贬低"为简单问题。

功能词（function words）是语言学中对一类词汇的称呼，它们本身承载的词汇意义极少，主要用于组织句子的语法结构，包括冠词（a/the）、介词（in/of）、系动词（is/are）、连词（and/but）等。与之相对的是实词（content words），如名词、动词、形容词，直接携带概念信息。非裔美国人英语（AAE）存在系动词省略的语法规则，例如将"She is tired"说成"She tired"，这并非语法错误，而是该语域的合法规则。同样，第二语言学习者在习得过程中也常省略功能词。这类省略不影响核心语义，却显著压缩了句子的字符/词元数量。对于以输入长度为代理指标的路由器而言，这直接触发了"短→简单→路由至弱模型"的自动判断链条，而系统对此毫无感知。

大规模验证：从真实学习者语料到受控实验

为验证这一现象，研究采用了双重证据链。一方面，作者在 37,704 对真实的学习者句子对上展示了这种路由差异；另一方面，通过一个受控的平行语料库（controlled parallel corpus），在严格控制语义等价的条件下复现了同样的偏差。

这种"真实数据 + 受控实验"的组合设计增强了结论的可信度：偏见不是偶然的数据噪声，而是路由机制的结构性属性。当同一含义以不同语域表达时，路由决策会稳定地朝着不利于非标准语域用户的方向倾斜。

更深层的问题：模型偏见比路由偏见更严重

研究进一步在一个"设备端—边缘端—云端"的模型能力阶梯上测量了这种路由差异带来的质量后果，结论出人意料却发人深省。

真正的伤害并非主要来自路由决策本身。作者发现，每一个层级的模型——包括最前沿的云端模型——回答非标准语域查询的准确率都显著更低。也就是说，即便非标准语域的查询被正确地送到了最强的模型，它得到的答案质量依然更差。相比之下，路由决策本身在该基准上带来的边际质量损失并不显著。

这一发现将问题的层次拉高了：模型偏见（model bias）是普遍存在的底层问题，而复杂度路由则起到了叠加放大的作用。路由机制不会创造偏见，但它会让本已服务最差的那部分用户，暴露在更弱的模型面前，从而进一步加剧他们所承受的不公。

模型对非标准语域表现更差，根本原因在于预训练数据的构成。主流大型语言模型的训练语料大量来源于网络文本、书籍和新闻，这些来源天然以标准书面英语为主，AAE和L2英语的代表性严重不足。这导致模型在语义理解、槽位填充乃至事实问答上，对非标准语域输入都存在更高的错误率——这一问题在学术界被称为"语域偏见"（register bias）或"方言偏见"（dialect bias）。值得注意的是，即便采用指令微调（instruction tuning）或人类反馈强化学习（RLHF）进行对齐，这种底层偏见也难以被彻底消除，因为对齐数据同样以标准语域为主。因此，单纯修复路由策略而不同步改善模型本身对非标准语域的覆盖，只能治标而不治本。

对AI服务设计的启示

这项研究对当前流行的模型路由架构提出了一个尖锐的公平性拷问。随着越来越多的AI服务采用分层路由来控制成本，设计者需要意识到：

• 表面信号可能隐含偏见。输入长度这类"廉价"信号在效率上诱人，但它与语言背景高度相关，可能无意中把语言变体误判为能力需求。
• 公平性需要双管齐下。仅优化路由公平性不足以解决问题，因为底层模型本身对非标准语域的处理能力就存在系统性缺陷。
• 弱势群体的叠加暴露。第二语言使用者和方言使用者往往是AI系统本就服务不佳的群体，路由机制若不加审视，会让他们雪上加霜。

研究的核心警示清晰有力：复杂度路由"复合了模型对本已服务最差用户的暴露"。在追求成本效率的同时，AI服务提供商有必要重新审视路由信号的选择，并在评估基准中纳入语域公平性的维度，否则技术优化的红利可能以牺牲边缘群体的服务质量为代价。