PulseAugur
中
实时 11:29:40
English(EN) UniScale: Adaptive Unified Inference Scaling via Online Joint Optimization of Model Routing and Test-Time Scaling

UniScale 统一 LLM 路由和缩放，以实现更好的成本-质量权衡

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 UniScale，这是一个统一大型语言模型模型路由和测试时缩放的新颖框架。该方法将自适应推理缩放建模为上下文多臂老虎机问题，通过 LinUCB 学习最优策略。UniScale 旨在通过利用模型路由和测试时缩放的协同作用，在动态推理环境中实现更好的质量-成本权衡，从而克服单独的模型路由和测试时缩放方法的局限性。 AI

影响 通过统一模型路由和测试时缩放来优化 LLM 推理，有可能降低成本并提高性能。

排序理由 该集群包含一篇详细介绍 LLM 推理优化新方法的 isto 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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.AI TIER_1 English(EN) · Kaiyu Huang, Xingyu Wang, Mingze Kong, Zhubo Shi, Yuqian Hou, Hong Xu, Zhongxiang Dai, Minchen Yu, Qingjiang Shi ·

    UniScale: Adaptive Unified Inference Scaling via Online Joint Optimization of Model Routing and Test-Time Scaling

    arXiv:2605.30898v1 Announce Type: new Abstract: In real-world deployments of large language models (LLMs), balancing inference quality and computational cost has become a central challenge. Existing approaches tackle this trade-off along two largely independent dimensions: model …

相关实体

相关话题