論文の概要: Explainable Model Routing for Agentic Workflows

• arxiv url: http://arxiv.org/abs/2604.03527v1
• Date: Sat, 04 Apr 2026 00:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.624552
• Title: Explainable Model Routing for Agentic Workflows
• Title（参考訳）: エージェントワークフローのための説明可能なモデルルーティング
• Authors: Mika Okamoto, Ansel Kaplan Erol, Mark Riedl,
• Abstract要約: Topazは、エージェントルーティングに正式な監査性を導入するフレームワークである。 エージェントルーティングに形式的監査性を導入するフレームワークであるTopazを紹介する。
• 参考スコア（独自算出の注目度）: 0.9379969114114787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern agentic workflows decompose complex tasks into specialized subtasks and route them to diverse models to minimize cost without sacrificing quality. However, current routing architectures focus exclusively on performance optimization, leaving underlying trade-offs between model capability and cost unrecorded. Without clear rationale, developers cannot distinguish between intelligent efficiency -- using specialized models for appropriate tasks -- and latent failures caused by budget-driven model selection. We present Topaz, a framework that introduces formal auditability to agentic routing. Topaz replaces silent model assignments with an inherently interpretable router that incorporates three components: (i) skill-based profiling that synthesizes performance across diverse benchmarks into granular capability profiles (ii) fully traceable routing algorithms that utilize budget-based and multi-objective optimization to produce clear traces of how skill-match scores were weighed against costs, and (iii) developer-facing explanations that translate these traces into natural language, allowing users to audit system logic and iteratively tune the cost-quality tradeoff. By making routing decisions interpretable, Topaz enables users to understand, trust, and meaningfully steer routed agentic systems.
• Abstract（参考訳）: 現代のエージェントワークフローは、複雑なタスクを特別なサブタスクに分解し、それらを様々なモデルにルーティングすることで、品質を犠牲にすることなくコストを最小限に抑える。 しかし、現在のルーティングアーキテクチャはパフォーマンスの最適化にのみ焦点を合わせており、モデル能力とコストのトレードオフは記録されていない。 明確な根拠がなければ、開発者はインテリジェントな効率性 -- 適切なタスクに特別なモデルを使用すること -- と、予算駆動のモデル選択による遅延失敗を区別することはできない。 エージェントルーティングに形式的監査性を導入するフレームワークであるTopazを紹介する。 Topazはサイレントモデルの割り当てを、3つのコンポーネントを組み込んだ本質的に解釈可能なルータに置き換える。 (i)多種多様なベンチマークのパフォーマンスを微粒な能力プロファイルに合成するスキルベースのプロファイリング 二 予算ベース及び多目的最適化を利用した完全トレース可能なルーティングアルゴリズムにより、コストに対するスキルマッチスコアの計測方法の明確化、及び 3) これらのトレースを自然言語に変換し, システムロジックを監査し, 費用対効果のトレードオフを反復的に調整することができる。 ルーティング決定を解釈可能にすることで、Topazは、ルーティングされたエージェントシステムを理解し、信頼し、有意義に管理することを可能にする。

関連論文リスト

• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• Trade-offs in Ensembling, Merging and Routing Among Parameter-Efficient Experts [56.02203242609604]
  大規模言語モデル(LLM)は、軽量アダプタで微調整され、多様なタスクにわたって強力なパフォーマンスを実現する。 異なる強みを持つ独立に訓練されたモデルを使用することで、3つの主要な戦略を通じてマルチタスク学習の可能性を示している。 私たちは、彼らのトレードオフを実証的に評価し、2つの重要な疑問に対処します。 均一なアンサンブルやマージを超えて行く利点は何ですか?そして、ルーティングの柔軟性は、その複雑さを正当化するのでしょうか?
  論文  参考訳（メタデータ） (2026-03-03T21:44:11Z)
• CASTER: Breaking the Cost-Performance Barrier in Multi-Agent Orchestration via Context-Aware Strategy for Task Efficient Routing [25.48759875572515]
  CASTER (Context-Aware Strategy for Task Efficient Routing) はグラフベースMASにおける動的モデル選択のための軽量ルータである。 CASTERは強力なモデルベースラインに比べて推論コストを最大72.4%削減する。
  論文  参考訳（メタデータ） (2026-01-27T16:52:47Z)
• EvoRoute: Experience-Driven Self-Routing LLM Agent Systems [100.64399490164959]
  EvoRouteは、静的で事前定義されたモデルの割り当てを超越する、自己進化型のモデルルーティングパラダイムである。 挑戦的なエージェントベンチマークの実験によると、既製のエージェントシステムに統合されたEvoRouteは、システムのパフォーマンスを維持または向上するだけでなく、実行コストを最大80%削減し、レイテンシを70%以上削減する。
  論文  参考訳（メタデータ） (2026-01-06T04:06:46Z)
• Confidence-Guided Stepwise Model Routing for Cost-Efficient Reasoning [20.41220110321494]
  コスト効率の良い推論のための信頼誘導ステップワイドモデルルーティングを提案する。 STEERはドメインに依存しないフレームワークで、小さくて大きな言語モデル間のきめ細かいステップレベルのルーティングを実行する。 その結果,モデルルーティングのための堅牢でドメインに依存しない信号として,モデル内部信頼が確立された。
  論文  参考訳（メタデータ） (2025-11-09T02:33:08Z)
• xRouter: Training Cost-Aware LLMs Orchestration System via Reinforcement Learning [104.63494870852894]
  我々は,学習したルータが直接応答するか,あるいは1つ以上の外部モデルを呼び出すことができるツールコールベースのルーティングシステム x を提案する。 当社の実装には、報酬とコスト会計を含む、完全な強化学習フレームワークが含まれています。 さまざまなベンチマークで、xはコストパフォーマンスのトレードオフを強く達成します。
  論文  参考訳（メタデータ） (2025-10-09T16:52:01Z)
• RADAR: Reasoning-Ability and Difficulty-Aware Routing for Reasoning LLMs [51.88834210085435]
  本稿では、軽量で解釈可能でスケーラブルなルーティングフレームワークRADAR(Reasoning-Ability and Difficulty-Aware Routing)を提案する。 心理測定にインスパイアされたRADARは、さまざまな予算を持つモデル応答から異なるクエリへのアイテム応答モデルを学ぶ。 我々は8つの広く使われている推論ベンチマークについて広範な実験を行い、最先端のルーティング手法と比較してRADARの優れた性能を実証した。
  論文  参考訳（メタデータ） (2025-09-29T19:33:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。