文章总结与翻译
一、主要内容
该研究聚焦于LLM路由（LLM Routing）问题，核心目标是为每个查询选择最合适的语言模型，在准确率、成本等多目标间实现平衡。现有方法存在两大局限：一是采用“先预测指标再选择模型”的解耦策略，易产生误差累积；二是依赖全反馈数据（每个查询需所有候选模型评估），成本高昂且难以维护。
研究提出基于观测数据（仅记录实际部署模型的结果）的因果端到端框架，通过最小化决策遗憾（regret）学习路由策略：
2025_NIPS_Causal LLM Routing: End-to-End Regret Minimization from Observational Data
未经允许不得转载：171主机测评 » 2025_NIPS_Causal LLM Routing: End-to-End Regret Minimization from Observational Data
