論文の概要: SWRouter: Similarity-Contractive Window Routing for Multi-Turn Large Language Model Conversations
- arxiv url: http://arxiv.org/abs/2609.11414v1
- Date: Thu, 10 Sep 2026 11:45:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.318784
- Title: SWRouter: Similarity-Contractive Window Routing for Multi-Turn Large Language Model Conversations
- Title（参考訳）: SWRouter:多言語対話のための類似性制約型ウィンドウルーティング
- Abstract要約: マルチターン大言語モデルルーティングのための類似性抽出ウィンドウルータであるSWルータを提案する。
マルチターンダイアログベンチマークの実験では、SWが強いベースラインを一貫して超越していることが示されている。
この結果から,マルチターン大言語モデルのルーティングにはコンテキスト構築と評価の協調設計が必要であることが示唆された。
- 参考スコア（独自算出の注目度）: 88.71160380389277
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models exhibit complementary strengths, motivating routing methods that dispatch each query to the most suitable model. Although existing routers are effective in single-turn settings, they do not directly transfer to multi-turn dialogue, where routing performance critically depends on how historical context is segmented, retained, and incorporated into the current prompt. This introduces two fundamental challenges: preventing information loss and information confusion during context construction, and evaluating routing quality without conflating model selection with prompt construction quality. In this paper, we propose SWRouter, a Similarity-Contractive Window Router for multi-turn large language model routing. SWRouter combines a similarity-based context segmentation mechanism for prompt construction with a dual-metric evaluation framework that decouples construction accuracy from router performance. Experiments on multi-turn dialogue benchmarks demonstrate that SWRouter consistently surpasses strong baselines, achieving a 16.26% improvement in evaluation accuracy over the best individual large language model and an additional 8.22% gain over the Conv-ID Context baseline. Our results highlight that multi-turn large language model routing requires a joint design of context construction and evaluation, rather than a direct extension of single-turn routing methods.
- Abstract（参考訳）: 大規模言語モデルは相補的な長所を示し、各クエリを最も適切なモデルにディスパッチするルーティング手法を動機付けている。
既存のルータはシングルターン設定では有効であるが、ルーティング性能が歴史的コンテキストのセグメント化、保持、現在のプロンプトへの組み込まれ方に依存するため、直接マルチターン対話には移行しない。
これは、コンテキスト構築中の情報損失と情報混乱の防止と、モデル選択と迅速な構築品質を融合させることなく、ルーティング品質を評価するという2つの基本的な課題を導入する。
本稿では,多ターン大言語モデルルーティングのための類似性抽出型ウィンドウルータSWRouterを提案する。
SWRouterは、類似性に基づくコンテキストセグメンテーション機構と、ルータの性能から構築精度を分離する2次元評価フレームワークを組み合わせる。
マルチターンダイアログベンチマークの実験では、SWRouterは強いベースラインを一貫して上回り、最高の個別の大規模言語モデルよりも16.26%、Conv-ID Contextベースラインよりも8.22%向上した。
この結果から,マルチターン大言語モデルのルーティングには,単一ターンのルーティング手法を直接拡張するのではなく,コンテキスト構築と評価を共同で設計する必要があることが示唆された。
関連論文リスト
- LLMRouter: Unified Infrastructure for Developing, Evaluating, and Deploying LLM Routers [31.402829906814365]
単一の大きな言語モデル(LLM)は、すべてのクエリや予算制約に対して最適ではないため、モデルルーティングはコスト効率の良いデプロイメントに不可欠である。
5つの成分を特徴とする逐次決定過程としてLLMルーティングの統一的な定式化を提案する。
我々は、ルーティングの監視とルータの評価を、応答品質と推論コストに基づいて共同で行う自動パイプラインを開発した。
論文 参考訳（メタデータ） (2026-08-07T06:46:58Z) - TRACE-ROUTER: Task-Consistent and Adaptive Online Routing for Agentic AI [8.291830023781403]
本稿では,タスクレベルのルーティングフレームワークであるTRACEについて述べる。
タスクの遅延フィードバックを活用することで、TRACEはワークロードに適応するルーティングポリシを学ぶ。
精度にマッチしたトレードオフを継続的に改善し、非レイテンシフロンティアポイントを達成します。
論文 参考訳（メタデータ） (2026-07-24T16:29:06Z) - Before Thinking, Learn to Decide: Proactive Routing for Efficient Visual Reasoning [87.18590662029432]
本稿では,プロアクティブルーティングパラダイムであるPRPを提案する。このパラダイムは,ドラフトモデルとターゲットモデルの両方の能力を評価することで,早期意思決定を可能にする。
筆者らの試案であるレーティング学習 (DRL) は内部信頼度推定器を内蔵し, 共同レーティング学習 (JRL) は対象モデルが与えられたクエリをどの程度処理できるかを予測する。
これらの評価により、詳細なインスタンスレベルの textbfProactive Routing が可能になり、全体的なパフォーマンスを損なうことなく、推論を大幅に高速化できる。
論文 参考訳（メタデータ） (2026-06-29T12:30:24Z) - Agent-as-a-Router: Agentic Model Routing for Coding Tasks [54.00153674547733]
Agent-as-a-router (AC)はC-A-Fループとしてルーティングを形式化する(Context->Action->FeedbackContext)
ACは、分配タスクに対する最小の累積後悔を達成し、配布外エージェントプログラミングタスクに一般化する。
論文 参考訳（メタデータ） (2026-06-22T06:37:31Z) - EvolveRouter: Co-Evolving Routing and Prompt for Multi-Agent Question Answering [39.31752433999864]
エージェントの品質と協調構造を協調的に改善し,制約に対処する訓練可能なフレームワークを提案する。
Evolveは、F1と正確な一致の両方において、SOTAルーティングベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-04-06T20:24:54Z) - 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) - TCAndon-Router: Adaptive Reasoning Router for Multi-Agent Collaboration [0.9564467981235256]
マルチエージェントシステム(MAS)は、高性能なインテリジェントアプリケーションを構築するための強力なパラダイムとなっている。
これらのシステム内では、特定のクエリを処理する専門家エージェントを決定するルータが、全体的なパフォーマンスにおいて重要な役割を果たす。
これらの課題に対処するため,マルチエージェント協調のための適応推論ルータTCAndon-TCARを提案する。
公開データセットと実際のエンタープライズデータの実験は、TARがルーティングの正確性を大幅に改善し、ルーティングの競合を低減し、あいまいなシナリオで堅牢であることを示している。
論文 参考訳（メタデータ） (2026-01-08T03:17:33Z) - RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。
役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。
軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
論文 参考訳（メタデータ） (2025-08-06T21:59:34Z) - ChatterBox: Multi-round Multimodal Referring and Grounding [108.9673313949746]
この目的のために,新しいベンチマークと効率的な視覚言語モデルを提案する。
提案したChatterBoxは、2ブランチアーキテクチャを使って視覚と言語タスクを協調的に処理する。
実験の結果、ChatterBoxはMRGの既存のモデルよりも定量的にも質的にも優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-24T09:02:00Z)
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。