يقترح الباحثون AgentRouter، وهو مصنف خفيف الوزن يحسّن سير العمل الوكيلّي متعدد الخطوات من خلال توجيه خطوات المسار الفردية إلى طبقات نماذج مناسبة بدلاً من استخدام نموذج حدودي واحد لجميع المهام. يعالج النظام عدم كفاءة الأنظمة المؤسسية التي تهدر 60-80٪ من ميزيتها الاستدلالية في مهام فرعية يمكن للنماذج الأصغر معالجتها بنفس الجودة.
- يستخدم AgentRouter مصنفًا يحتوي على 12M معلمة مع تجاوز أقل من 5 مللي ثانية لكل خطوة على وحدة معالجة رسومات A100 لربط الخطوات بأربع طبقات نماذج استنادًا إلى خمس خصائص قابلة للاستخراج.
- تم تدريبه على 50,000 خطوة مسار وكيل مُعلَّمة، ويحقق انخفاضًا في التكلفة بنسبة 72٪ مقارنة بالأساسيات التي تعتمد فقط على النماذج الحدودية مع الحفاظ على 97.3٪ من الجودة.
- يُظهر النظام دقة توجيه لكل خطوة تبلغ 91٪ للخطوات ذات التعقيد الأدنى و85٪ للخطوات الخاصة بالطبقة الفعّالة.
- يتفوق على RouteLLM وFrugalGPT، اللذين يحققان انخفاضًا في التكلفة بنسبة 31٪ و44٪ على التوالي، من خلال أخذ الاعتماديات النوعية على مستوى المسار بعين الاعتبار والتي تفوّت الحلول أحادية الدور.