从短视选择到长程感知：面向多轮对话的序列大语言模型路由

多轮对话是大语言模型的主要交互形式。现有路由方法在单轮场景中有效，但因交互动态性和奖励延迟，难以最大化多轮对话的累积性能。为此，本文提出从短视的单轮选择转向长程序列路由，并设计了 DialRouter 框架。该方法首先利用蒙特卡洛树搜索（MCTS）探索不同模型选择引发的对话分支，收集高累积奖励轨迹；随后结合基于检索的未来状态近似，从搜索数据中学习轻量级路由策略，实现无需在线搜索的多轮路由。实验表明，DialRouter 在任务成功率上显著优于单一模型及现有基线，并在成本感知奖励下实现了更优的性能 - 成本权衡。