把“模型路由”重新诊断为信息问题——ACRouter 与 CodeRouterBench

核心结论速览

一、研究背景与动机

故事要从一个很具体的用户处境讲起。今天一个稍微重度的开发者，手里同时握着 Claude、GPT、还有本地跑的若干开源模型；而在代码这件事上，没有任何一个模型在所有维度上碾压其余所有模型。论文把这个落差讲成一个"立场分歧"：

• 现有的 coding agent（Claude Code、Codex 之类）都是 provider-centric（厂商中心）——固定一个自家模型打天下。对厂商而言这是最优解：用自家模型、成本可预测、闭源可控。
• 但用户要的是 user-centric（用户中心）——我不在乎是谁家的模型，我只关心这道题用哪个模型质量最高、最划算。

这两种立场的冲突，把问题逼到了一个朴素的形式：一道任务进来，到底该路由给哪个模型？ 这不是新问题（RouterBench、LLMRouterBench 等一系列工作都在做），但本文的切入点不一样——它没有去卷"怎么训一个更强的路由器"，而是先停下来问：路由器到底卡在哪？是脑子不够，还是信息不够？

支撑动机的，是作者对 8 个前沿代码模型的实测（Opus 4.6、Sonnet 4.6、GPT-5.4、Qwen3-Max、Qwen3.5-Plus、GLM-5、Kimi-K2.5、MiniMax-M2.7）。结论有两条硬数据：

• 能力互补是真实存在的。 Opus 平均分最高（42.9%），但算法设计被 GLM-5 反超（47.2% vs 25.4%，相对 +86%）、测试生成被 Qwen3-Max 反超（82.7% vs 39.2%，+111%）、数据科学被 Kimi-K2.5 反超。9 个维度里有 5 个不同模型当过"维度冠军"。
• 强模型普遍更贵。 Opus 的总花费约为 Kimi 的 12 倍。

互补 + 价差，意味着"既提质又省钱"在原理上成立——这就是整篇论文的立论地基。

二、相关工作与定位

把前人路线放进一个坐标系，本文的位置就清楚了。作者后文用 C-A-F 框架（见第四节）顺手做了一张"现存方法归位表"，这里先按思想谱系梳理：

本文相对于这些工作的"补缺"在于一句诊断：上述方法要么不在决策时产生新信息（前三类），要么产生的信息被线性模型的表达力卡死（在线老虎机）。RouterBench / LLMRouterBench 这类工作把基准建在"单次准确率"上，无法刻画"信息随任务流累积"的过程；本文则主张评测必须是流式的、按累积遗憾计的，并为此自建了带"每题 × 每模型"结果矩阵的 CodeRouterBench。

一句话定位：别人在优化路由器，本文在重新定义路由问题——从"选模型的一次性分类"变成"在任务流上不断产生并累积信息的序贯决策"。

三、研究问题与核心贡献

形式化问题定义

给定一条任务流 $\{p_i{\}}_{i=1}^N$（$p_i$ 为第 $i$ 道编程任务的 prompt）与一个候选模型池 $\mathcal{M}=\{m_1,\dots ,m_K\}$（本文 $K=8$）。路由策略 $\pi$ 在每一步观测上下文 $c_i$ 后选择一个动作（模型）$a_i\in \mathcal{M}$，执行后获得反馈 $f_i$。目标不是最大化单次准确率，而是最小化相对于逐题最优 oracle 的累积遗憾（定义见第五节）。

逐条贡献与新颖性分级

四、方法详解（重点章节）

4.1 符号体系与 C-A-F 建模

定义一个状态随任务流演化的循环：

$$c_i\stackrel{\text{Decide}}{}{a}_i\stackrel{\text{Execute}}{}{f}_i\stackrel{\text{Memorize}}{}{c}_{i+1}$$

• Context $c_i=(p_i,d_i,{\mathcal{H}}_{<i})$：当前 prompt $p_i$、任务元数据 $d_i$（维度标签等）、以及累积记忆 ${\mathcal{H}}_{<i}$（前 $i-1$ 步验证后的轨迹）。
  　人话：决策前路由器手上掌握的全部信息——这道题长什么样、它属于哪一类、以及过去做过的题攒下的经验。
• Action $a_i\in \mathcal{M}$：选择哪个模型。$\mathcal{M}$ 就是那 8 个候选模型的集合，$\in$ 读作"属于"，即 $a_i$ 是这 8 个里的某一个。
• Feedback $f_i=({\hat{s}}_i,{\hat{\kappa }}_i)$：验证器给出的性能分 ${\hat{s}}_i$ 与成本 ${\hat{\kappa }}_i$。
  　人话：这次选择的"成绩单"——做得好不好、花了多少。字母头上的帽子 $\hat{}$ 表示这是验证器"估"出来的分，不是上帝视角的真值。

关键在 ${\mathcal{H}}_{<i}$ 这一项：每跑完一圈，验证后的结果进入下一圈的上下文，所以"下一次决策更知情"。静态路由器结构上做不到这件事——它的信息状态是冻结的，$c_{i+1}$ 与 $c_i$ 共享同一份死先验。

由诊断（第七节）引出的两条设计要求：

• (i) 产生信息：每次决策要落地执行、真把输出跑进验证器，而非靠静态先验或模型自评；
• (ii) 累积信息：把这些信息跨任务流累积，让后续决策能 condition 在过去结果上。

4.2 C-A-F 作为统一分类框架（Table 4）

把三件套——Orchestrator（决策）、Verifier（产信息）、Memory（累信息）——分别删掉或冻结，就能把所有现存方法归位：

• 单模型 = 三者皆无；
• 静态启发式（DimensionBest、kNN）= 冻结记忆、无策略、无验证；
• 静态训练策略（LogReg、RouteLLM、微调 Qwen）= 仅有训练好的 Orchestrator；
• 在线老虎机（LinUCB / LinTS）= 参数化记忆 + argmax 策略 + 只看 reward 的验证。

这张表的妙处在于：它让"消融实验"和"与基线对比"成了同一件事——每个基线就是 ACRouter 抽掉某些组件后的特例。

4.3 ACRouter 三模块拆解

① Orchestrator（整合信息 → 对应"决策"）。 决策中枢。综合三路信号：DimensionBest 先验、从 Memory 用 cosine kNN 取回的 top-10 历史邻居、任务元数据；核心策略是一个微调过的 Qwen3.5-0.8B 叠加启发式规则，用加权投票出最终选择。

Fig. 2 的例子很直观：一道运行时报错的 bug 修复任务，四个投票者（api_llm→MiniMax、logreg→GLM-5、memory_KNN→Kimi、dim_best→Kimi）加权后 Kimi-K2.5 得 1.47 分胜出，argmax 选 Kimi 去修。

② Verifier（产生信息 → 对应"执行/反馈"）。 沙盒原生的打分器，把 AST 解析、沙盒执行、prompt 内嵌测试、规则信号等多路信号按类型加权，聚合成统一分 $u_i\in [0,1]$（见第五节 Eq. 8）。关键是它不依赖 ground-truth oracle 测试——尤其在 OOD 上没有标准答案测试时，全靠这些代理信号自算置信度。

③ Memory（累积信息 → 对应"记忆"）。 在线向量库。以任务 embedding（voyage-code-3 / BGE-large）为 key，value 存"选了哪个模型 / 性能 / 成本 / 验证轨迹"；检索用 cosine kNN 取 top-10；FIFO 上限 20K 条，每跑完一圈就地更新。强调这是基于 embedding 的细粒度记忆，而非 DimensionBest 那种粗粒度的"维度哈希"——所以"某候选模型在相似任务上最近的成功/失败"都能对 Orchestrator 可见。

4.4 路由主循环（伪代码）

Input: 任务流 {p_1..p_N}, 模型池 M, 探测集预热的 Memory H, 微调策略 θ
for i = 1 .. N:
d_i ← extract_metadata(p_i) # 维度等元数据
N_i ← Memory.knn(embed(p_i), k=10) # 取相似历史邻居
votes ← {
dim_best : DimensionBest(d_i),
logreg : LogReg(p_i),
api_llm : Qwen3.5-0.8B_θ(p_i, d_i, N_i),
mem_knn : majority_model(N_i)
}
a_i ← argmax_m Σ_v w_v · 1[votes[v] = m] # 加权投票
y_i ← a_i.run(p_i) # 执行
u_i, κ_i ← Verifier(y_i, p_i) # 产生信息: 统一分 + 成本
Memory.insert(embed(p_i) → {a_i, u_i, κ_i, trace}) # 累积信息 (FIFO 20K)
Output: 路由轨迹 {a_i}, 累积遗憾 CumReg_N

五、关键公式与理论推导（数学重点章节）

这是一篇以实证与系统为主的论文，数学体量不大，但有四个核心形式对象值得逐一讲透。下面每个公式我都会先逐符号翻译成人话，再讲它为什么这么设，能上手算的地方配一个小例子。

5.0 读公式前：一张符号小抄

如果下面这些记号让你打怵，先记住这 7 条，后面就都能跟下来：

• 下标 $i$：表示"第 $i$ 道任务"。$x_i$ 就是"第 $i$ 题的那个 $x$"。
• 求和号 ${\sum }_{i=1}^N$：把 $i$ 从 1 到 $N$ 的东西全部加起来。
• ${\max }_j$：在所有候选 $j$ 里取最大的那个数值。
• $\arg {\max }_j$：取到最大值的那个 $j$ 本身（要的是"哪个选项"，不是"最高分多少"）。路由器干的就是 $\arg \max$——它要的是"选哪个模型"。
• $\in$：属于。$a_i\in \mathcal{M}$ = $a_i$ 是集合 $\mathcal{M}$ 里的一员。
• $[0,1]$：闭区间，取值在 0 到 1 之间（含两端），常用来表示"归一化后的分数 / 概率"。
• 帽子 $\hat{x}$：估计值，不是真值（比如验证器估出来的分）。

5.1 奖励函数：把"质量"与"成本"压成单一标量

$$r_i(a_i)={ϵ}_1{s}_i(a_i)+{ϵ}_2{\kappa }_i(a_i),{ϵ}_1=1,{ϵ}_2=-0.1$$

逐符号翻译（人话）：

• $a_i$：这道题你选的那个模型。
• $s_i(a_i)$：这个模型在这题上的性能分（越高越好，可理解成"做得多对"）。
• ${\kappa }_i(a_i)$：这个模型在这题上的成本（钱 / 算力，越高越费）。
• ${ϵ}_1=1,{ϵ}_2=-0.1$：两个权重。性能权重是 $1$，成本权重是 $-0.1$。
• $r_i$：综合奖励——给这次选择打的总分。

一句话：做得好加分，花得多扣分，把两件事压成一个数。

为什么成本权重是负的？ 因为花钱是"坏事"，要从总分里扣掉，所以前面带负号。

为什么是 $-0.1$ 而不是 $-1$？ 这等于宣布"质量比成本重要 10 倍"。它真正的作用是个裁判（tie-breaker）：只有当两个模型质量几乎打平时，成本才有资格决定胜负；只要质量差出一截，再贵也照选贵的。

上手算一遍（两个模型二选一）：

奖励选 A（$0.70>0.55$）——A 贵了 4 倍，但质量优势仍压过成本。
若把权重换成 ${ϵ}_2=-1$ 再算：$r_A=0.90-2.0=-1.10$，$r_B=0.60-0.5=0.10$，这次反而选 B。可见 $-0.1$ 这个小数字本身，就决定了天平往"质量"还是"成本"那边倒。

坑：$s$ 和 $\kappa$ 必须先各自归一化到可比尺度，否则系数没意义。而且论文自己说 provider 端缓存命中率看不到、成本测不准，所以在 ID 上这一项基本只是"软裁判"，奖励近似退化成 $r_i\approx s_i$（详见第九节）。

5.2 累积遗憾：评测指标的重新定义

$${\mathrm{CumReg}}_N(\pi )=\sum _{i=1}^N(\underset{j}{\max }{R}_{ij}-R_{i,a_i})$$

先说什么是"遗憾（regret）"：事后回看，“要是这题当时选了最好的那个模型，我本可以多拿多少分”。你实际拿到的，减去理论上最该拿到的，那个差距就是遗憾。 你永远不可能超过最优，所以遗憾总是 $\ge 0$，越小越好，$0$ 就是步步最优。

逐符号翻译：

• $R_{ij}$：第 $i$ 题、用第 $j$ 个模型，拿到的回报（就是上面那个含成本的 $r$）。
• ${\max }_j{R}_{ij}$：第 $i$ 题里把 8 个模型都试一遍，回报最高的那个值——这题"开了天眼"最该拿的分。
• $R_{i,a_i}$：你的策略实际选的模型 $a_i$ 拿到的分。
• ${\max }_j{R}_{ij}-R_{i,a_i}$：第 $i$ 题的单题遗憾（$\ge 0$）。
• ${\sum }_{i=1}^N(\cdots )$：把 $N$ 道题的遗憾全部累加——这就是累积遗憾。

一句话：累积遗憾 = 在整条任务流上，你和"每题都开天眼选最优"之间的总差距。

为什么要换掉"单次准确率"这把旧尺子？ 因为准确率只看"平均做对多少"，看不到"信息有没有越攒越多、后面有没有比前面更准"。遗憾是流式的，能体现"前面踩的坑有没有让后面少踩"——而这正是 C-A-F 想量的能力。

下面是全文最该讲透的一步推导：「逐题 oracle」远远强于「最优单模型」，这就是路由值得做的数学理由。

先把两种"理想策略"分清楚：

• 逐题 oracle：每道题各自挑当题最优 → 总分 ${\sum }_i{\max }_j{R}_{ij}$。
• 最优单模型：先选定一个模型，全程只用它 → 总分 ${\max }_j{\sum }_i{R}_{ij}$。

它们之间有一个恒成立的不等式：

$$\sum _i\underset{j}{\max }{R}_{ij}\ge \underset{j}{\max }\sum _i{R}_{ij}$$

为什么？一句话证明： 对任何一个固定的模型 $j_0$，每一题都有 ${\max }_j{R}_{ij}\ge R_{i,j_0}$（一堆数里取最大，当然不小于其中任意一个）。把所有题加起来：${\sum }_i{\max }_j{R}_{ij}\ge {\sum }_i{R}_{i,j_0}$。这对每一个 $j_0$ 都成立，所以对"那个让右边最大的 $j_0$"也成立——于是左边 $\ge$ 右边。证毕。

用具体数字感受这个差距（2 题 × 2 模型，格子里是回报）：

• 最优单模型：A 的总分 $0.9+0.2=1.1$，B 的总分 $0.3+0.8=1.1$，取较大者 $=1.1$。
• 逐题 oracle：$\max (0.9,0.3)+\max (0.2,0.8)=0.9+0.8=1.7$。
• 差距 $=1.7-1.1=0.6$。

这 $0.6$ 是任何单模型策略都吃不到的红利——哪怕你永远选最强的那个，也只能逼近 $1.1$，碰不到 $1.7$。只有"每题换最合适的模型"（也就是路由）才能把这 $0.6$ 捞回来。

把它对回论文：CodeRouterBench 上逐题 Oracle $=57.00$，而最强单模型 Opus 平均才 $42.9$——这之间十几个点的鸿沟，就是上面那个 $0.6$ 的放大版，是 ACRouter 存在的全部意义。也正因如此，累积遗憾里的 oracle 不是"最强模型"，而是"每题开天眼"，这是一把高得多、也诚实得多的标尺。

前提：累积遗憾能算出来，靠的是一张预采集好的"每题 × 每模型"回报矩阵 $R\in {\mathbb{R}}^{N\times K}$（$N$ 道题、$K$ 个模型，每格都先把结果跑出来存好）。这正是 CodeRouterBench 必须自建、区别于"只测单次准确率"旧基准的地方。

5.3 统一验证分：把多路异质信号聚成置信度（Eq. 8 概形）

$$u_i=\frac{{\sum }_{t\in \mathcal{T}}{w}_t{\varphi }_t(y_i,p_i)}{{\sum }_{t\in \mathcal{T}}{w}_t}\in [0,1]$$

逐符号翻译：

• $t$：一种检查信号。比如：代码能不能被 AST 解析（语法对不对）、丢进沙盒能不能跑通、prompt 自带的测试过不过、有没有违反某些规则。
• ${\varphi }_t(y_i,p_i)\in [0,1]$：第 $t$ 种检查打的分（$1$ = 完全通过，$0$ = 完全不过，中间值 = 部分通过）。
• $w_t$：这种检查的可信权重。"沙盒真的跑通了"比"语法没报错"更能说明问题，所以前者权重更高。
• 分子 ${\sum }_t{w}_t{\varphi }_t$：把各项检查分按可信度加权求和。
• 分母 ${\sum }_t{w}_t$：所有权重之和，作用是归一化——把结果压回 $[0,1]$。

一句话：这就是一个加权平均。把好几个"局部体检指标"按可信度平均成一个 $0\sim 1$ 的"健康分" $u_i$，当作"没有标准答案时，这段代码大概率对不对"的估计。

为什么一定要除以 ${\sum }_t{w}_t$（归一化）？ 不除的话，检查项越多、分子越大，不同任务之间没法比；除完之后无论用了几个信号，$u_i$ 都稳稳落在 $0\sim 1$，可以直接当性能分 $s_i$ 喂进上面的奖励函数。

上手算一遍：

$u=\frac{1.0+3.0+1.0}{1+3+2}=\frac{5}{6}\approx 0.83$。

坑（我作为读者的）：这套打分全靠"代理信号和真实正确率正相关"这个假设。论文没给 $u_i$ 对真值的校准曲线——万一这些"体检指标"本身不准，Memory 累积下来的就是被污染的反馈，而后面所有决策都建在这堆反馈上。这是地基性的隐患（第九节展开）。

5.4 路由信号的可解释上界：互信息只有约 27%

附录 D.3 给出一个信息论量级估计：oracle 选择 $y_t$ 与任务维度 $d_t$ 之间的互信息，仅占 $y_t$ 熵的约 27%：

$$\frac{I(y_t;d_t)}{H(y_t)}\approx 0.27$$

附录 D.3 给了一个信息论量级估计：oracle 的选择 $y_t$（该选哪个模型）与任务维度 $d_t$ 之间的互信息，只占 $y_t$ 总不确定性的约 27%：

$$\frac{I(y_t;d_t)}{H(y_t)}\approx 0.27$$

先把三个吓人的词翻译成人话：

• 熵 $H(y)$：“该选哪个模型"这件事本身有多难猜。如果 8 个模型常常各擅一摊、谁都可能是答案，那就很难猜，熵就大。可以想成"要猜中该选谁，平均得问多少个是 / 否问题”。
• 条件熵 $H(y\mid d)$：已经知道任务维度 $d$ 之后，"该选谁"还剩多少没猜准。
• 互信息 $I(y;d)=H(y)-H(y\mid d)$：知道维度后，难度下降了多少——也就是"维度"这条线索到底含多少金。

所以 $\frac{I(y;d)}{H(y)}\approx 0.27$ 在说："维度"这条线索，只能消除约 27% 的"该选谁"的不确定性；剩下约 73% 藏在每道题的具体长相里（用了什么算法、调了什么 API、怎么处理边界）。

打个比方：你要猜一个人爱看什么电影（$y$）。只知道他的"年龄段"（$d$＝维度）能帮你猜对一部分，但更准的线索其实是他"上周具体看了哪几部"（题目的具体内容）。维度是粗线条，具体内容才是细线索。

这个 27% 一下把全文串起来了：

• 它是 DimensionBest 的天花板——只吃维度先验，最多到 $0.475$，永远够不到 oracle 的 $0.570$，因为它只抓住了那 27%。
• 它也是 ACRouter 用 embedding 记忆的理由——剩下那 73% 的信号在题目内容里，只能靠"按具体题目长相去检索相似历史"才能捞到，维度标签捞不着。

一句话：27% 既是粗粒度路由的上限，也是细粒度记忆存在的全部依据。

六、实验设置

模型池（8 个前沿代码模型）：Opus 4.6、Sonnet 4.6、GPT-5.4、Qwen3-Max、Qwen3.5-Plus、GLM-5、Kimi-K2.5、MiniMax-M2.7。

基准 CodeRouterBench：

• 从 15+ 个公开 benchmark 重整出约 10,111 道任务，分 10 个维度；
• 9 个单轮维度（代码生成 / 算法设计 / bug 修复 / 代码补全 / 重构 / 数据科学 / 多语言 / 代码理解 / 测试生成），各约 1,111 题；
• 第 10 个 agentic programming 维度专门留作 OOD（176 题，来自 SWE-bench Verified、LongCLI-Bench、FeatureBench、SWE-CI）。

数据切分：探测集 7,080（用于 profile 模型、训练分类器、暖启动 Memory）、ID 测试 2,919、OOD 测试 176。

评价指标：AvgPerf（路由后平均性能）、累积遗憾（相对逐题 oracle）、Perf/$（成本效率）、Pareto 前沿。7 个维度用执行式打分（沙盒 pass@1），3 个维度用代理指标 + LLM-as-Judge。

baseline 谱系：单模型（含"永远选 Opus"）、静态启发式（DimensionBest、kNN）、静态学习器（LogReg、RouteLLM、TF-IDF+MLP、微调 Qwen 0.8B–27B）、在线老虎机（LinUCB、LinTS）。

实现细节：Orchestrator 用微调 Qwen3.5-0.8B；Memory 用 voyage-code-3 / BGE-large 做 embedding，FIFO 上限 20K；OOD 的 agentic 评测把标准 250 步砍到 40 步（作者称"相对排名不受影响"）。

七、实验结果与深度分析

7.1 命门实验：纯信息消融（Table 1）

只改"路由器能拿到什么信息"、不动架构：

两个信号极其干净：

附录 D.4 再补一刀：Vanilla 路由器的模型选择分布几乎是均匀的，根本没利用维度结构；只要把性能先验喂进去，它不改任何架构就追平甚至超过 DimensionBest。

这张表是全文的逻辑支点：LLM 路由器的瓶颈是信息缺失，不是推理能力。后面所有设计（C-A-F、三件套）都是这条诊断的工程兑现。

7.2 主结果（Table 3）

In-Distribution（n=2,919）：ACRouter 拿到路由器里最高的 AvgPerf（49.98%）和最低的累积遗憾（205.5），比握着完整维度先验的 DimensionBest 还高 2.48 个点。所有轻量分类器（LogReg、RouteLLM、TF-IDF+MLP、微调 Qwen）挤在 46–47 区间，在线老虎机也是 46–47。

OOD（n=176，分水岭）：

• 静态学习器全线崩盘：轻量分类器 OOD 掉到 8.93%–21.43%，比随机（31.25%）还低——典型的过拟合到训练分布。
• 在线老虎机活得好一些（LinUCB 49.82% / LinTS 46.43%），因为在流上持续更新，但受限于每臂线性模型，缺乏 context-aware 推理。
• ACRouter 拿到 62.50%，领先在线老虎机、领先"永远选 Opus"（57.14%）、也领先微调 Qwen（55.36%），累积遗憾 17.0 全表第一。

累积遗憾曲线（Fig. 5）：ID 上静态方法增长更快，OOD 上直接塌掉，只有 ACRouter 随 Memory 累积验证经验把信息缺口补上。Pareto 前沿（Fig. 6）上 ACRouter 把前沿往上顶，且成本低于"永远选 Opus"。

7.3 三个反直觉副发现

• “会写代码"≠"会做路由”（App C.1）：让 8 个模型分别当路由器，Opus 4.6 在 0-shot 和 3-shot 里都垫底，尽管它本身是最强 coder。路由是另一种能力。
• 微调是门槛，规模不是（App C.2）：Qwen 从 0.8B 扫到 27B（约 30 倍参数），AvgPerf 只动 0.5 个点（46.21→46.74）；但不微调的话，基座模型直接吐出格式错误的路由 token、退化到默认单模型。这解释了主表为何用 0.8B。
• 维度只能解释约 27% 的路由信号（App D.3）：见 5.4 节。这是"细粒度记忆 > 维度哈希"的定量依据。

7.4 必须正视的一处反转：GPT-5.4 的"房间里的大象"（App D.7 / Table 14）

作者老实交代：一次更新后的单跑 GPT-5.4 在同一 OOD split 上解出了 75.00%（132/176），几乎追平逐题 oracle 的 75.89%，把 ACRouter 的 62.50% 甩开 12.5 个点。这是个 apples-to-oranges 的对比（ACRouter 用的是原始 8-backend bundle，没把升级版 GPT-5.4 纳入候选池），但它说明一件事：在 agentic 这种"基础编码能力主导"的场景里，一个更新的强单模型直接吊打了路由器，OOD 那个 headline 数字是脆弱的。 诚实可贵，但确实削弱了 OOD 叙事（第九节展开）。

八、创新点与亮点

真正的方法论贡献（思想层）：

扎实但属工程优化的部分：

• ACRouter 的三件套本身。Orchestrator 是"DimensionBest 投票者 + LogReg 投票者 + 微调小模型 + kNN 记忆"的加权集成；Verifier 是多信号沙盒打分；Memory 是 FIFO 向量库。每一块都合理、好用，但都不是新原理——它的强，来自它比任何被比较的基线都掌握更多信息。这一点要和"思想创新"分开记账。

九、局限性与潜在问题

论文自陈的不足：成本因缓存不可观测而仅作次要指标；OOD 评测把 250 步砍到 40 步；GLM-5 有约 14.5% 任务缺失按 0 计；结果绑定特定模型版本，需靠 V2/V3 roadmap 持续更新。

我作为读者发现的隐患：

十、个人评述与启发

价值判断。 这篇最有价值的不是 ACRouter 这个系统（它本质是"把更多信息塞进一个集成投票器"），而是那个诊断——把路由瓶颈从"推理"重新定位到"信息"，并配上 C-A-F 这个统一视角和 CodeRouterBench 这个能算累积遗憾的流式评测台。诊断 + 基准是会被后人反复引用的东西；具体系统则会随模型版本快速过时。

可复现性评估。 中等偏上。基准与"每题 × 每模型"矩阵若如承诺开源，复现性会很好；但 ACRouter 的复现依赖于微调小策略、embedding 后端、验证器权重等一串工程细节，且全部结果绑定 2026 年的特定模型快照——半年后模型一升级，绝对数字大概率全变，需靠基准自身的滚动更新维持有效性。

可拓展方向。 论文在 §E.3 点了更大的野心：C-A-F 这套"观察上下文→行动→拿反馈→更新记忆"的范式不止用于模型路由，还能推广到工具选择、prompt 策略选择、思考预算分配——把路由当成 agent 决策的一个最小实例。这个推广方向比 ACRouter 本身更有想象空间：任何"在动作集上序贯决策、且能拿到执行反馈"的 agent 子问题，原则上都能套这个壳。

对相关研究者的借鉴。

• 做路由/调度的：先量一下你的瓶颈是信息还是推理，再决定要不要去卷更大的策略模型——Table 1 的方法论（纯信息消融）本身就值得复用。
• 做基准的：单次准确率不足以刻画序贯系统，预采集结果矩阵 + 累积遗憾是个干净的范式。
• 做 agent 的：把 C-A-F 当成一张检查表——你的系统在每步产生新信息了吗？这些信息跨步累积了吗？很多 agent 之所以"记不住教训"，就是缺了这两条里的某一条。