two-regime transient queue

研究表明，大型语言模型提供商为节省成本而进行的限流可能会适得其反

一篇新的研究论文提出，大型语言模型提供商在拥堵时降低服务质量的普遍做法（例如将查询路由到较小的模型或截断上下文）在经济上存在缺陷。该论文认为，这种方法是根据查询的到达时间而不是成功交付答案来错误定价查询的。它引入了推理分配模型，该模型考虑了客户生命周期价值和重试的影响，并提出在某些条件下，限流会产生矛盾地增加流量并永久性地降低服务质量。研究还详细介绍了一种计算“智能的隐性成本”的方法，以优化不同客户类别和时间点的查询分配。