研究人员提出了一种开发和部署人工智能模型的新方法，侧重于小型语言模型（SLM）的高效利用。该方法首先使用强大的前沿大型语言模型（LLM）迭代期望的行为，然后通过监督微调将这些学习到的行为提炼到成本效益更高的小型语言模型中。这一过程以一个调度代理为例进行了演示，其中经过 LoRA 调优的 Qwen3-8B 模型在记录的生产决策方面达到了高度一致，并且与原始 GPT-5.4-nano 相比，延迟和成本显著降低。 AI
影响 通过使用更小、更高效的模型，这种方法可以显著降低人工智能代理的推理成本和延迟。
排序理由 该集群描述了在 arXiv 的一篇学术论文中提出的一种新颖方法论。
在 arXiv cs.MA (Multiagent) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.14576v1 Announce Type: new Abstract: As frontier LLMs gain more capabilities, the cost to run them also goes up. At the same time, small language models (SLMs) also gain more capabilities but have largely been able to keep their cost stable, offering 5-40 times cheaper…
As frontier LLMs gain more capabilities, the cost to run them also goes up. At the same time, small language models (SLMs) also gain more capabilities but have largely been able to keep their cost stable, offering 5-40 times cheaper inference for the narrow, repetitive subtasks t…