budget-aware

本文提出了一种面向网络代理的预算感知在线教学框架，能够在保持性能的同时降低教师模型调用和计算成本。

本文介绍了Net Utility，一种用于预算感知LoRA合并的无数据度量，它优化跨任务的秩分配，在视觉任务上实现+2.1%的改进，在语言任务上实现+2.2%的改进，优于均匀方法。

BAP-SQL presents a budget-aware observation planning approach for agentic text-to-SQL, treating SQL query choice as a budget-control decision to improve tight-budget success while reducing token usage.

提出FedEAS，一种用于联邦学习中合成数据增强的预算感知策略，为每个客户端分配一个熵自适应的每类生成预算，在将生成成本降低94.1%的同时，恢复大部分完全类别平衡的准确性增益。

介绍了SEVRA，一种用于预算感知推理的选择性验证控制器，它决定何时接受模型的初始答案，何时在验证上花费额外计算资源，在MATH500和GSM8K等基准上提高了准确率并减少了不必要的token。