标签
该论文提出一种以异质性为驱动的框架，用于挑选互补的 LLM 团队：先通过分析误差去相关性与预测分歧来构建模型画像，再采用贪心算法优化“质量–互补性”目标，实验表明该方法在多个基准上优于仅按质量排序的 top-k 基线。
本文提出了前沿学习（Frontier Learning）框架，该框架结合多个黑盒和白盒预训练模型的表示与预测，构建统一的目标域表示，并保证在分布偏移下性能不劣于任何单一复用基线。在视觉域适应和临床死亡率预测上的评估显示，该方法相较强基线持续获得增益。
Maestro是一个基于强化学习的框架，能够动态组合冻结的专家模型和技能集成，处理多模态任务，使用4B参数编排器实现70.1%的平均准确率，超过GPT-5和Gemini-2.5-Pro。