待验证50% 置信事实精确时间
学术界的RouteLLM、FrugalGPT等工作使用训练好的分类器预测任务难度，在弱模型与强模型之间动态切换，在保证质量的前提下压降成本。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证FrugalGPT（Chen et al., 2023）和LLM-Blender等框架试图通过训练专用路由分类器来平衡准确性与开销76% 相似待验证对于分类、情感分析、特定格式生成、领域内问答等结构化任务，精心训练的小模型可能在延迟、成本和可控性上全面占优75% 相似待验证缩放定律表明模型在特定任务上的表现与训练数据量、模型参数量和计算量之间存在幂律关系，OpenAI、DeepMind等机构的研究支持这一发现73% 相似已验证模型路由通过训练轻量级路由分类器评估请求复杂度，将简单任务路由至小模型、复杂任务路由至大模型72% 相似待验证在LLM的强化学习训练中，当模型面对高难度问题反复失败时，标准RL算法往往会绕开这些问题，转而在容易获得奖励的简单任务上强化72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1013868API
curl https://kongchang.com/api/v1/knowledge/claims/1013868MCP
get_claim(id=1013868)