点开是因为这阵子在给几个模型做路由，一直有个问题没想明白：一条 query 进来，该让一个模型一次答完，多轮来回调，还是排个有分工的 agent 流程？现有 router 大多只挑模型，调用方式是事先定死的。

这篇让 Qwen3-4B 做 router，先输出模式，再在模式里从 6 个冻结模型中挑。训练时把 GRPO 的优势拆成两份，选模式的 token 和后面执行的 token 各拿各的信号。平均准确率 61.4%，Router-R1 是 55.3%。

可我看模式分布时有点犯嘀咕。Reason 里 99% 走 agentic，Recall 里 96% 走单轮，Code 84% 多轮，基本是按领域分好的。那做个领域分类器配固定模式，能差多少？论文没比。

模式选择也挺脆。去掉渐进探索（先强制分配模式，再慢慢放手让它自己选），策略整个塌成只走单轮，均分掉到 55.6%。

打算拿它放出来的代码跑我们那批混合 query，先按任务类型统计模式分布，要是也一边倒，就先拿规则路由顶着🤔

论文：https://arxiv.org/pdf/2610.19705
代码：https://github.com/LaughKing/RouteWeaver

#大模型 #人工智能 #论文 #强化学习 #AI