routing

BridgeRouter 将多桥跨模态迁移建模为实例级算法选择问题，通过增益感知的轻量路由器在冻结的 EEG 基础模型桥路径间进行推理时路由，在 FOG 和 ISRUC 数据集上显著优于单一最佳桥路径。

Hermes Agent 推出 Advanced Delegation modes 插件，编排器可为每个子代理选择不同模型或配置文件，用户还可将自定义的 MoA（Mixture of Agents）接入该委派机制以增强效果。

Route 的新中继器已上线，为合作伙伴和 route.fun 用户提供即时路由与免 Gas 费交易，并计划公开构建者代码，让开发者、AI 智能体和人类用户能在数分钟内将 Route 集成到自有应用中。

作者介绍了 RFC8950，该标准允许在 IPv6 网络上以 IPv6 下一跳通告 IPv4 路由（无需隧道），使骨干网可以仅运行 IPv6 而将 IPv4 作为边缘可选功能，并给出了基于 FRR 和 Containerlab 的实验演示。

DAGFormer 通过联合训练的拓扑预测器全局规划 Transformer 的跨层连接，相比标准 Transformer 及多种路由基线显著降低困惑度并提升下游任务表现。

EPFL 研究人员表明，混合专家（Mixture-of-Experts）大语言模型中以类别为条件的专家选择偏置可以抵消数据不均衡，将资源匮乏的类别路由至专门的专家池，并在不同模态、语言和代码领域带来相当于增加最多 18.5% 训练词元的性能提升。

Microsoft 推出 Decision-1 决策打分模型，用于代理与工作流的路由、分类、验证和控制，单次推理即可输出各选项的校准概率。该模型基于 Qwen3.5-9B 后训练，据称中位延迟比 GPT-6 Sol 快约 35 倍，现已在 Microsoft Foundry 上线。

该论文提出 Stepped MoE，一个将弹性结构与稀疏门控路由统一的框架，使单一 LLM 能同时适应部署约束和任务需求，在 1B-4B 参数规模间灵活切换并优于稠密模型 2-5%。

该论文提出 Elastic Expert Routing，通过从以 k 为中心的局部离散分布中随机采样激活专家数量，平滑传统 top-k 路由的硬边界，在保持计算成本不变的前提下提升稀疏 MoE 模型在微调与从头预训练场景下的下游表现。

本文提出一种基于路由器遥测的成员推理攻击，发现 MoE 模型的路由信息会泄露微调数据的成员身份，在多种架构和训练方式下均能提升攻击效果，揭示了部署环境中路由信号构成了新的隐私攻击面。

LlamaIndex 发布 OpenDocRouter，一个统一的文档转 Markdown API 平台，聚合前沿与开源 OCR 模型，并通过 ParseBench 对质量与成本进行基准测试。

Flatten SF 是一款基于浏览器的工具，利用 16 万条街道路段、USGS 1 米激光雷达高程数据以及 Overture/OpenStreetMap 街道图，计算旧金山任意两点之间的最平缓路线，并提供一个交互式滑块，供用户探索距离与爬坡量之间的权衡。源代码和分析已在 GitHub 上公开。

本文提出了阈值感知保形路由（Threshold-Aware Conformal Routing，TACR）方法，该方法学习与输入相关的区间尺度，以判断神经代理模型何时可以替代昂贵的科学模拟器，在保持无分布边际覆盖保证的同时，将模拟器的回退调用次数减少了14%至75%。

# Meta（联合 Duke 与 UC Davis）提出用于智能体 harness 优化的「自改进分支混合」框架 Meta 联合杜克大学（Duke）与加州大学戴维斯分校（UC Davis）提出了一种 **Mixture of Self-Improving Branches（自改进分支混合）** 框架，用于优化智能体 harness（运行框架）。该方法将原本单轨迹的 **Meta-Harness** 搜索拆分为多个**自适应分支**：每个分支拥有不断演进的开发子集（development subsets）和提案策略（proposal policies），并引入一个**路由器（router）**，针对每个输入动态选择表现最佳的分支。 该框架在多个基准上取得了显著提升： - **Olympiad 级别数学任务**：相对提升最高可达 **+34.8%** - **Terminal-Bench 2.0**：提升 **+11.6%** - **SWE-bench Lite**：提升 **+3.8%**

SATIS Shield 是一个基于 BGP 的黑洞服务（AS23026），让单路由器网络借助共享威胁情报在上游丢弃攻击流量，只需一个私有 ASN 和一条 GRE/WireGuard 隧道即可，价格为每月 59 美元。

一篇预印本论文介绍了 Foil——将 MoE 专家层展平为更少的层、每层更多专家以及更多循环次数，并在每次循环中使用解耦的注意力，在相同参数量和计算量下取得了更低的预训练损失。

Julia 1 是一个拥有1.443亿参数的AI模型，用于分类、路由和决策任务。基准测试结果显示，它在如AG News和Emotion等明确选择任务上表现强劲，但在知识和推理方面存在局限性。

这篇预印本论文提出了一种可定制的路由器，用于企业中的AI编程代理，通过智能路由请求来优化成本，为大型公司每年节省14-21%的模型开销。

本文介绍了一项关于长上下文多项选择问答中学习上下文规划的控制研究，表明在各种实验设置下，该方法并未稳健地超越如BM25和混合检索等强检索方法。

分析了600多个使用Jev构建的案例后，作者发现最有趣的方面并非炫酷的演示，而是对日常任务的成本效益自动化，从而实现大规模经济高效的AI应用。