要旨: 適切な大規模言語モデル（LLM）を介してクエリをルーティングすることは困難であり、特にユーザーの嗜好が自然言語で表現され、モデル属性が部分的にしか観測できない場合には難しさが増します。言語条件付きLLMルーティングの制約ベースの解釈を提案し、それを自然言語のフィードバックがモデル属性に対して硬制約とソフト制約を誘発する重み付きMaxSAT/MaxSMT問題として定式化します。この見解の下、ルーティングはフィードバック条件付きの節の充足度を概ね最大化するモデルを選択することに対応します。25モデルのベンチマークでの経験的分析は、言語フィードバックがほぼ実現可能な推奨セットを生み出すことを示す一方、フィードバックなしの状況では体系的な事前情報が明らかになります。我々の結果は、言語条件付きの嗜好の下で、LLMルーティングが構造化された制約最適化として理解できることを示唆しています。
返却形式: {"translated": "翻訳されたHTML"}
推論としての LLM ルーティング: MaxSAT の観点
arXiv cs.AI / 2026/3/17
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、言語条件付きの LLM ルーティングを制約ベースで解釈し、それを重み付けされた MaxSAT/MaxSMT 問題として定式化する。自然言語フィードバックは、モデル属性に対する硬制約とソフト制約の両方を誘導する。
- この定式化の下で、ルーティングは、フィードバック条件付きの節の満足度をほぼ最大化するモデルを選択することに対応する。
- 25モデルのベンチマークにおける実証分析は、言語フィードバックがほぼ実現可能な推奨集合を生み出すことを示し、フィードバックなしの状況では体系的な事前知識を明らかにする。
- 本研究は、言語条件付きの嗜好によって推進される構造化制約最適化として、LLM ルーティングを理解できることを示唆する。
- この研究は、自然言語の嗜好とモデル選択の決定を結びつける理論的・実証的な枠組みを提供し、将来のルーティングシステム設計に情報を提供する。
