DAK-UCB：面向LLM与生成模型的多样性感知提示路由
机器学习
2026-03-26 v2
摘要
生成AI和LLM服务的扩展凸显了对自适应机制日益增长的需求，以选择合适的可用模型来响应用户的提示。近期工作提出了离线和在线学习公式，仅基于最大化基于提示的保真度评估分数（例如文本到图像生成中的CLIP-Score）来识别最优生成AI模型。然而，此类基于保真度的选择方法忽略了生成输出的多样性，因此可能无法解决生成回复中潜在的多样性不足问题。在本文中，我们引入了多样性感知核化上置信界（DAK-UCB）方法，作为一种考虑多样性因素的生成模型在线选择上下文赌博机算法。所提出的DAK-UCB方法将保真度和多样性相关指标都纳入选择过程。我们基于提示感知的多样性得分函数设计该框架，这些函数分解为先前生成轮次中提示-输出对的基于两样本的期望。具体而言，我们说明了联合核距离和核熵度量在我们框架中的应用。我们的实验结果证明了DAK-UCB在促进多样性感知模型选择的同时保持生成保真度的有效性。代码可在https://github.com/Donya-Jafari/DAK-UCB获取。
引用
@article{arxiv.2603.23140,
title = {DAK-UCB: Diversity-Aware Prompt Routing for LLMs and Generative Models},
author = {Donya Jafari and Farzan Farnia},
journal= {arXiv preprint arXiv:2603.23140},
year = {2026}
}
备注
Accepted at ICLR 2026