研究在做什麼
通用人工智慧（AGI，能跨領域理解、生成、推理與行動的人工智慧）的發展趨勢，正從依賴單一全能模型，轉向協調由專用模型、工具與策略組成的異質生態系統。核心挑戰在於 AI 系統如何針對每個任務動態選擇最合適的候選方案，並在效能與運算成本之間取得平衡。本研究提出 Route Anything 統一框架，旨在研究通用 AI 系統中的模型與策略路由機制。 Hugging Face 每日精選論文
方法
研究團隊建立了統一的理論基礎，用以描述在品質與成本權衡下的最佳路由，並確立路由器可獲取的資訊如何決定其可達成的效能。為了系統性地調查跨能力的路由表現，團隊構建了一個 omni-modal trajectory matrix（涵蓋多種模態的軌跡矩陣），涵蓋語言理解、影像、影片與語音生成、程式碼與職場代理、以及機器人操作等 25 個基準測試。該矩陣包含來自 452 種候選配置的 374,401 次評分執行結果，並基於此框架訓練與測試不同的路由器。 Hugging Face 每日精選論文
結果
實驗結果顯示 capability orchestration（能力編排，即協調不同模型與策略以處理任務）具有顯著潛力。針對單一輸入的最佳路由（per-input oracle routing，假設已知最佳選擇的理想情況）比最佳固定候選方案高出 5.4 分。學習型路由器（learned routers，透過訓練自動選擇模型的路由器）在 16 個基準測試中比最佳固定候選方案高出 0.3 分，在影片生成任務中高出 2.1 分，在機器人操作任務中高出 1.1 分，同時減少 24% 的策略時間。此外，與參考模型相比，路由機制平均將效率提升了 8.82 倍。 Hugging Face 每日精選論文
程式碼與資料
本站 2026-11-04 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：
- 程式碼：InfRec-Cardinal/route-anything｜4 顆星｜最後更新 2026-11-04｜授權 MIT
- 專案網頁：https://mikeeeeeeeeeeeeee.github.io/RouteAnything
- 模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集