Routesplain：面向软件相关任务的可信且可干预的路由
软件工程
2025-11-13 v1 计算与语言
机器学习
摘要
大型语言模型 (LLM) 现在正在处理软件相关任务，但我们发现其性能在这些任务之间和任务内部差异显著。将用户查询路由到合适的 LLM 因此可以提高响应质量的同时降低成本。然而，现有工作主要关注通过黑箱模型进行通用 LLM 路由。我们引入了Routesplain，这是第一个针对软件相关任务的 LLM 路由器，包括多语言代码生成与修复、输入/输出预测和计算机科学问答。与现有路由方法不同，Routesplain 首先从每个查询中提取人类可解释的概念(例如任务、领域、推理复杂度)，仅基于这些概念进行路由，从而提供可理解、可信的理由。我们在 16 个最先进的 LLM 上评估了Routesplain，涵盖 8 项软件相关任务；Routesplain 在准确率和成本方面均优于单个模型，并且等于或超越所有黑箱基线，概念层面的干预凸显了进一步改进路由器的潜在途径。
引用
@article{arxiv.2511.09373,
title = {Routesplain: Towards Faithful and Intervenable Routing for Software-related Tasks},
author = {Adam Štorek and Vikas Upadhyay and Marianne Menglin Liu and Daniel W. Peterson and Anshul Mittal and Sujeeth Bharadwaj and Fahad Shah and Dan Roth},
journal= {arXiv preprint arXiv:2511.09373},
year = {2025}
}