ZEBRA：面向 LLM 编排的零样本预算资源分配
机器学习
2026-05-21 v1
摘要
随着自治智能体在固定货币预算下执行端到端任务，亟待解决的核心问题从“预算是否被尊重”转向“如何有效花费”。现有预算感知方法通常在单个智能体内部逐步控制推理，或通过强化学习学习资源分配策略。None 解决如何在多智能体管道组成阶段内部分配预算。我们提出 ZEBRA，一个零样本框架，将多阶段预算分配问题化约为连续非线性背包问题：LLM 控制器估计每个阶段的效用曲线，水滴搜索作用于拉格朗日乘子返回每个阶段的分配。无论是加法还是乘法聚合，都统一在同一求解器下。以 150 题 APPS 编码基准测试为例，ZEBRA 两种变体在每个聚合指标上均优于 LLM-direct（LLM 直接进行预算分配）。在预算为 的无限制支出时，ZEBRA 恢复 94.4% 的无限制质量，而 LLM-direct 仅为 88.1%。优势具有统计学显著性，并在编码之外迁移：在 3 阶段 HotpotQA 管道中，ZEBRA 相比 LLM-direct 高出 14.3pp，且分配对曲线估计噪声具有稳健性。在 HotpotQA 上，ZEBRA 达到不同的预算分配（接近均衡），而 APPS 则偏向细化阶段，显示其对管道结构的适应性。更广泛地，我们表明，推理时间内的轻量级算法性指导可提升自治多智能体系统的经济行为。
引用
@article{arxiv.2605.20485,
title = {ZEBRA: Zero-shot Budgeted Resource Allocation for LLM Orchestration},
author = {May Hamri and Inbal Talgam-Cohen},
journal= {arXiv preprint arXiv:2605.20485},
year = {2026}
}