摘要
计算机使用代理（CUA）依赖视觉 - 语言模型（VLM）将自然语言指令转化为图形界面操作，但现有系统通常固定使用单一模型，忽略了不同任务难度的差异。本文提出自适应 VLM 路由（AVR）框架，通过轻量级语义路由层，根据多模态嵌入估计动作难度并探测小模型置信度，动态将任务路由至满足可靠性阈值的最经济模型。结合记忆机制，该方法在保持高精度的同时显著降低推理成本，并统一了效率与安全性。
AI 推荐理由
论文核心研究 Agent 如何动态选择和路由工具调用（VLM 模型），属于技能学习与工具使用范畴。
研究机构
vLLM Semantic Router Project
MBZUAI
McGill University
AMD
Red Hat
论文信息