PulseAugur
实时 03:31:44
English(EN) Bridging On-Device and Cloud LLMs for Collaborative Reasoning: A Unified Methodology for Local Routing and Post-Training

设备端大语言模型学会将任务路由到云端以获得更好的推理能力

研究人员开发了一种新方法,使设备端的大语言模型(LLMs)能够智能地决定何时将复杂的推理任务卸载到云端。这是通过基于强化学习的训练后方法实现的,其中设备端模型学会明智地调用云辅助。该方法使用分层奖励来鼓励本地问题解决和战略性云卸载,在推理基准测试中优于现有基线。 AI

影响 通过智能利用云资源处理复杂任务,实现更高效、更强大的设备端人工智能。

排序理由 学术论文,详细介绍了LLM路由的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Wenzhi Fang, Dong-Jun Han, Liangqi Yuan, Evan Chen, Christopher Brinton ·

    融合端侧与云端大语言模型以实现协作推理:一种统一的本地路由与后训练方法

    arXiv:2509.24050v4 Announce Type: replace Abstract: Device-cloud collaboration holds promise for deploying large language models (LLMs), leveraging lightweight on-device models for efficiency while relying on powerful cloud models for superior reasoning. A central challenge in th…