aszer/llm-compass
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

docs(research): 更新调研报告至v2.0反映NVIDIA选型

Browse Source 
- 调研报告从RouteLLM BERT切换为NVIDIA多头分类器作为推荐方案
- 新增选型变更记录、复杂度评分公式、测试结果
- 更新tx402技术对比表和演进路线
- nvidia_router.py添加use_safetensors=True兼容transformers 4.57
This commit is contained in:
aszerW
2026-04-18 01:45:07 +08:00
parent a370061a96
commit 5a322e93a0
2 changed files with 198 additions and 251 deletions
Download Patch File Download Diff File Expand all files Collapse all files

446
docs/llm-router-open-source-research.md
View File

@@ -2,7 +2,8 @@
> **调研日期**: 2026-04-17
> **调研目的**: 寻找可替代 tx402 BERT 路由器的开源方案
> **报告版本**: v1.0
> **报告版本**: v2.0
> **最新更新**: 技术选型已从 RouteLLM BERT 切换至 NVIDIA 多头分类器
---
@@ -12,27 +13,144 @@
当前开源 LLM 路由模型生态已较为成熟，主要方案包括：
| 方案 | 准确率 | 延迟 | 成本降低 | 推荐指数 |
| 方案 | 准确率 | 延迟 | 路由能力 | 推荐指数 |
|------|--------|------|---------|---------|
| **RouteLLM BERT** | 85-92% | 1-5ms | 85% | ⭐⭐⭐⭐⭐ |
| **Arch-Router 1.5B** | 93% | 50-100ms | - | ⭐⭐⭐⭐ |
| **RoRF (Random Forest)** | - | - | - | ⭐⭐⭐ |
| **NVIDIA Multi-Head Classifier** ⭐ 已采用 | ~90% | 5-15ms | 多维度 3-tier | ⭐⭐⭐⭐⭐ |
| **RouteLLM BERT** (已弃用) | 85-92% | 1-5ms | 二分类 (强/弱) | ⭐⭐⭐ |
| **Arch-Router 1.5B** | 93% | 50-100ms | 动态多策略 | ⭐⭐⭐⭐ |
| **RoRF (Random Forest)** | - | - | Pairwise | ⭐⭐⭐ |
**关键洞察**: RouteLLM BERT 是现阶段最成熟的方案，已在生产环境验证，社区支持完善。
**关键决策**: NVIDIA `prompt-task-and-complexity-classifier` 是最终选型方案。相比 RouteLLM BERT 的二分类局限，NVIDIA 多头分类器提供 8 个维度的分析能力，支持 3-tier 路由（simple/medium/complex），更接近 tx402.ai 的生产实现。
### 选型变更记录
| 版本 | 日期 | 选型 | 变更原因 |
|------|------|------|---------|
| v0.1 | 2026-04-17 | Token 长度规则路由 | 初始 MVP |
| v0.2 | 2026-04-17 | RouteLLM BERT | 引入 ML 路由 |
| **v0.3** | **2026-04-17** | **NVIDIA Multi-Head** | **支持 3-tier，多维度分析** |
---
## 1. 主流开源路由方案详解
## 1. 当前选型: NVIDIA Multi-Head Classifier
### 1.1 RouteLLM (LMSYS/UC Berkeley)
### 1.1 项目信息
- **模型**: [nvidia/prompt-task-and-complexity-classifier](https://huggingface.co/nvidia/prompt-task-and-complexity-classifier)
- **机构**: NVIDIA
- **参数量**: 184M
- **架构**: DeBERTa-v3-base backbone + 8 个独立分类头
- **许可**: Apache 2.0
### 1.2 技术架构
```
┌─────────────────────────────────────────────────────────┐
│ NVIDIA Multi-Head Classifier (184M) │
├─────────────────────────────────────────────────────────┤
│ Backbone: DeBERTa-v3-base (768维隐层) │
├─────────────────────────────────────────────────────────┤
│ 8 个分类头: │
│ ├─ head_0: task_type (12类) │
│ ├─ head_1: creativity_scope (3类: High/Low/No) │
│ ├─ head_2: reasoning (2类: Yes/No) │
│ ├─ head_3: contextual_knowledge (2类) │
│ ├─ head_4: number_of_few_shots (6类) │
│ ├─ head_5: domain_knowledge (4类: High/Medium/Low/No) │
│ ├─ head_6: no_label_reason (1类) │
│ └─ head_7: constraint_ct (2类) │
├─────────────────────────────────────────────────────────┤
│ 综合评分 → 3-Tier 路由: │
│ simple (<0.35) → qwen-flash │
│ medium (0.35-0.65) → qwen-plus │
│ complex (>0.65) → qwen-max │
└─────────────────────────────────────────────────────────┘
```
### 1.3 复杂度评分公式
```python
score = (
0.4 * domain_knowledge + # High=1.0, Medium=0.6, Low=0.3, No=0.0
0.3 * reasoning + # Yes=1.0, No=0.0
0.2 * creativity + # High=1.0, Low=0.4, No=0.0
0.1 * task_type # Code=0.8, QA=0.5, Chatbot=0.2, ...
)
```
### 1.4 Task Type 分类 (12类)
| ID | 类型 | 复杂度权重 |
|----|------|-----------|
| 0 | Brainstorming | 0.6 |
| 1 | Chatbot | 0.2 |
| 2 | Classification | 0.3 |
| 3 | Closed QA | 0.4 |
| 4 | Code Generation | 0.8 |
| 5 | Extraction | 0.3 |
| 6 | Open QA | 0.5 |
| 7 | Other | 0.5 |
| 8 | Rewrite | 0.5 |
| 9 | Summarization | 0.6 |
| 10 | Text Generation | 0.7 |
| 11 | Unknown | 0.5 |
### 1.5 测试结果
| 查询 | Tier | Score | Task | Model |
|------|------|-------|------|-------|
| "你好" | simple | 0.17 | Chatbot | qwen-flash |
| "What is 2+2?" | simple | 0.17 | Chatbot | qwen-flash |
| "Write quicksort in Python" | medium | 0.45 | Code Generation | qwen-plus |
| "Analyze 10-page paper" | medium | 0.47 | Summarization | qwen-plus |
### 1.6 依赖版本 (已验证可用)
```
torch==2.2.2
transformers==4.44.2
tokenizers==0.19.1
safetensors==0.4.3
numpy==1.26.4
sentencepiece==0.2.1
```
> **注意**: 该模型使用自定义多头架构，无法通过 `AutoModelForSequenceClassification` 直接加载，需手动构建模型并用 `safetensors.torch.load_file` 加载权重。Tokenizer 需使用 slow 模式 (`use_fast=False`)。
### 1.7 优势
- ✅ 多维度分析（task_type/reasoning/creativity/domain 等 8 个维度）
- ✅ 原生支持 3-tier 路由，不限于二分类
- ✅ DeBERTa 架构，语义理解能力优于 BERT
- ✅ NVIDIA 出品，模型质量有保障
- ✅ CPU 可运行，延迟 5-15ms
### 1.8 劣势
- ⚠️ 自定义架构，不能直接用 HuggingFace AutoModel 加载
- ⚠️ 依赖版本要求较严格（transformers/tokenizers/torch 需要特定组合）
- ⚠️ 对 reasoning/creativity 判断偏保守，评分权重可能需要根据业务调优
- ⚠️ 与 LiteLLM 存在依赖冲突（tokenizers 版本），已移除 LiteLLM
---
## 2. 已弃用方案: RouteLLM BERT
### 2.1 弃用原因
1. **仅支持二分类** (strong/weak)，无法实现 3-tier 路由
2. 中间模型（如 qwen-plus）永远不会被选中
3. 无法提供查询的多维度分析（task type/domain/reasoning 等）
4. 与 tx402.ai 的三层架构差距过大
### 2.2 项目信息
**项目信息**
- **论文**: [RouteLLM: Learning to Route LLMs with Preference Data](https://arxiv.org/abs/2406.18665)
- **代码**: https://github.com/lm-sys/RouteLLM
- **机构**: LMSYS, UC Berkeley
- **发布时间**: 2024年7月
**技术架构**
### 2.3 技术架构
RouteLLM 提供三种路由器实现：
@@ -48,14 +166,22 @@ RouteLLM 提供三种路由器实现：
│ - 矩阵分解学习查询-模型评分函数 │
│ - 论文报告最佳性能 │
├─────────────────────────────────────────────────────────┤
│ 3. BERT Classifier ⭐ 推荐 │
│ 3. BERT Classifier │
│ - 基于 BERT 的二分类器 │
│ - 预测强模型 vs 弱模型 │
│ - 延迟: 1-5ms (CPU) │
└─────────────────────────────────────────────────────────┘
```
**性能指标**
### 2.4 模型规格
- **基础模型**: BERT-base-uncased
- **参数量**: ~110M
- **输入长度**: 512 tokens
- **输出**: 二分类 (0=弱模型, 1=强模型)
- **推理延迟**: 1-5ms (CPU)
### 2.5 性能指标
| 基准测试 | 达到 95% GPT-4 性能所需 GPT-4 调用比例 | 成本降低 |
|---------|--------------------------------------|---------|
@@ -63,57 +189,18 @@ RouteLLM 提供三种路由器实现：
| MMLU | 54% (使用 Golden Label 增强数据) | 14% |
| GSM8K | 35% | 35% |
**模型规格**
- **基础模型**: BERT-base-uncased
- **参数量**: ~110M
- **输入长度**: 512 tokens
- **输出**: 二分类 (0=弱模型, 1=强模型)
- **推理延迟**: 1-5ms (CPU)
**优势**
- ✅ 完全开源 (代码 + 模型 + 数据集)
- ✅ 轻量级，适合边缘部署
- ✅ 基于 Chatbot Arena 真实偏好数据训练
- ✅ 支持数据增强提升性能
- ✅ 可泛化到未训练的模型对
**劣势**
- ⚠️ 仅支持二分类路由（强 vs 弱）
- ⚠️ 需要针对特定模型对微调以获得最佳效果
**快速开始**
```python
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
# 加载 RouteLLM BERT Router
tokenizer = AutoTokenizer.from_pretrained("lm-sys/routellm-bert")
model = AutoModelForSequenceClassification.from_pretrained("lm-sys/routellm-bert")
model.eval()
def route_query(query: str) -> str:
inputs = tokenizer(query, return_tensors="pt", truncation=True, max_length=512)
with torch.no_grad():
outputs = model(**inputs)
probs = torch.softmax(outputs.logits, dim=-1)
prediction = torch.argmax(probs, dim=-1).item()
return "gpt-4" if prediction == 1 else "mixtral-8x7b"
```
---
### 1.2 Arch-Router (Katanemo Labs)
## 3. 备选方案: Arch-Router 1.5B
### 3.1 项目信息
**项目信息**
- **论文**: [Arch-Router: Aligning LLM Routing with Human Preferences](https://arxiv.org/abs/2506.16655)
- **模型**: https://huggingface.co/katanemo/Arch-Router-1.5B
- **机构**: Katanemo Labs
- **发布时间**: 2025年6月
**技术架构**
Arch-Router 采用生成式模型架构：
### 3.2 技术架构
```
┌─────────────────────────────────────────────────────────┐
@@ -130,204 +217,104 @@ Arch-Router 采用生成式模型架构：
└─────────────────────────────────────────────────────────┘
```
**性能指标**
- **准确率**: 93%（对比 GPT-4 的 85%）
- **优势**: 比顶级专有 LLM 平均高 7.71%
### 3.3 模型规格
**模型规格**
- **参数量**: 1.5B
- **架构**: Generative Language Model (类似 Llama)
- **推理延迟**: 50-100ms (GPU)
- **训练数据**: 43K 样本
- **准确率**: 93%（对比 GPT-4 的 85%）
### 3.4 优劣势
**优势**
- ✅ 人类偏好对齐，更符合实际使用场景
- ✅ 支持自然语言策略定义，灵活性高
- ✅ 添加新模型无需重新训练
- ✅ 处理多轮对话和复杂意图能力强
**劣势**
- ⚠️ 模型较大 (1.5B)，推理延迟较高
- ⚠️ 2025年新发布，生产验证较少
- ⚠️ 需要 GPU 才能达到可接受延迟
**快速开始**
```python
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("katanemo/Arch-Router-1.5B")
model = AutoModelForCausalLM.from_pretrained("katanemo/Arch-Router-1.5B")
# 定义路由策略
policies = [
{"id": "code", "description": "Programming and code generation tasks"},
{"id": "math", "description": "Mathematical reasoning and calculations"},
{"id": "creative", "description": "Creative writing and content generation"},
]
# 构建提示
prompt = f"Query: {user_query}\nPolicies: {policies}\nBest policy:"
```
---
### 1.3 其他方案
## 4. 其他方案
#### RoRF (Not Diamond)
### 4.1 RoRF (Not Diamond)
- **类型**: Random Forest 分类器
- **特点**: Pairwise 路由决策
- **状态**: 开源，但文档较少
#### LLMRouter (UIUC)
### 4.2 LLMRouter (UIUC)
- **项目**: https://github.com/ulab-uiuc/LLMRouter
- **特点**: 智能路由系统
- **状态**: 部分开源，细节待验证
---
## 2. 方案对比总表
| 维度 | RouteLLM BERT | Arch-Router 1.5B | RoRF |
|------|---------------|-------------------|------|
| **模型类型** | BERT Classifier | Generative LM | Random Forest |
| **参数量** | 110M | 1.5B | - |
| **推理延迟** | 1-5ms | 50-100ms | - |
| **准确率** | 85-92% | 93% | - |
| **支持模型数** | 2 (强/弱) | 动态添加 | 多模型 |
| **训练需求** | 需针对模型对微调 | 无需重新训练 | 需训练 |
| **硬件要求** | CPU 即可 | 需要 GPU | CPU |
| **开源程度** | 完全开源 | 模型开源 | 开源 |
| **社区活跃度** | 高 (LMSYS) | 中 (新兴) | 低 |
| **生产验证** | 已验证 | 较少 | 未知 |
### 4.3 DeBERTa 3-class Classifier
- **参数量**: 163M
- **分类**: easy/medium/hard 三分类
- **评估**: 功能较简单，不如 NVIDIA 多头方案丰富
---
## 3. 推荐方案
## 5. 方案对比总表
### 3.1 短期推荐: RouteLLM BERT
**适用场景**
- 需要快速替换现有规则路由
- 资源受限（CPU 部署）
- 对延迟敏感（<10ms）
- 二分类路由足够（强/弱模型）
**实施步骤**
1. 安装依赖: `pip install transformers torch`
2. 加载预训练模型
3. 替换现有 `select_model_by_length()` 函数
4. A/B 测试验证效果
**预期收益**
- 准确率从规则路由的 ~70% 提升到 85-92%
- 成本降低 50-85%
- 延迟增加 <5ms
### 3.2 中期备选: Arch-Router 1.5B
**适用场景**
- 需要多模型路由（>2个模型）
- 有 GPU 资源
- 重视人类偏好对齐
- 需要灵活的策略定义
**实施步骤**
1. 评估延迟是否可接受
2. 在业务数据上测试准确率
3. 设计自然语言路由策略
4. 渐进式替换
### 3.3 长期方向: 自定义训练
**建议路径**
```
Phase 1 (现在): 集成 RouteLLM BERT
↓
Phase 2 (1月后): 收集业务数据，评估效果
↓
Phase 3 (3月后): 基于业务数据微调 BERT
↓
Phase 4 (6月后): 训练专用路由模型
```
| 维度 | NVIDIA Multi-Head ⭐ | RouteLLM BERT | Arch-Router 1.5B | RoRF |
|------|---------------------|---------------|-------------------|------|
| **模型类型** | DeBERTa Multi-Head | BERT Classifier | Generative LM | Random Forest |
| **参数量** | 184M | 110M | 1.5B | - |
| **推理延迟** | 5-15ms | 1-5ms | 50-100ms | - |
| **路由能力** | 3-tier + 多维度 | 2-class (强/弱) | 动态策略 | Pairwise |
| **分析维度** | 8 维 | 1 维 | 策略匹配 | - |
| **硬件要求** | CPU 即可 | CPU 即可 | 需要 GPU | CPU |
| **开源程度** | 完全开源 | 完全开源 | 模型开源 | 开源 |
| **生产验证** | NVIDIA 内部 | LMSYS 验证 | 较少 | 未知 |
| **自定义难度** | 中（需手动加载） | 低 | 低 | 中 |
---
## 4. 与 tx402.ai 技术对比
## 6. 与 tx402.ai 技术对比
| 技术点 | tx402.ai (商业) | RouteLLM BERT (开源) | 差距分析 |
|--------|----------------|---------------------|---------|
| **分类器** | BERT + 多臂老虎机 | BERT Classifier | 缺少在线学习 |
| **延迟** | 3ms (分类) + 5-10ms (路由) | 1-5ms | ✅ 更优 |
| **准确率** | ~90% | 85-92% | ✅ 相当 |
| **成本降低** | 70%+ | 85% | ✅ 更优 |
| **模型覆盖** | 40+ | 2 (强/弱) | ⚠️ 需扩展 |
| **在线学习** | 支持 | 不支持 | ⚠️ 需实现 |
| 技术点 | tx402.ai (商业) | NVIDIA Multi-Head (当前) | 差距分析 |
|--------|----------------|------------------------|---------|
| **Layer 1 分类器** | BERT 三分类 (3ms) | DeBERTa 多头 8维 (5-15ms) | ✅ 维度更丰富 |
| **Layer 2 选择** | 多臂老虎机 (2-5ms) | 静态评分公式 | ⚠️ 缺少在线学习 |
| **Layer 3 执行** | 语义缓存 + 批量优化 | 直接调用 | ⚠️ 需实现 |
| **路由层级** | 3层: 分类→MAB→执行 | 1层: 多头分类→评分 | ⚠️ 需扩展 |
| **模型覆盖** | 40+ | 3 (flash/plus/max) | ⚠️ 需扩展 |
| **在线学习** | 支持 (MAB) | 不支持 | ⚠️ 需实现 |
| **语义缓存** | 支持 | 不支持 | ⚠️ 需实现 |
| **总延迟** | 10-18ms | 5-15ms | ✅ 更优 |
**关键差距**
1. **在线学习**: tx402 使用多臂老虎机动态优化，开源方案需要自行实现
2. **多模型支持**: 开源 BERT 仅支持二分类，需要扩展支持多模型
3. **语义缓存**: tx402 的缓存技术未在开源方案中体现
**当前已缩小的差距**（相比 RouteLLM BERT）:
1. ✅ 支持 3-tier 路由（simple/medium/complex）
2. ✅ 多维度查询分析（task_type/reasoning/creativity/domain）
3. ✅ 更接近 tx402 Layer 1 的分类能力
**仍需实现的功能**:
1. Layer 2: 多臂老虎机在线学习（Thompson Sampling）
2. Layer 3: 语义缓存 + 批量优化
3. 扩展模型池覆盖（当前仅 3 个 Qwen 模型）
---
## 5. 实施建议
## 7. 演进路线
### 5.1 最小可行方案 (MVP)
**目标**: 用 RouteLLM BERT 替换现有 token 长度路由
**改动范围**
```python
# 当前实现
def select_model_by_length(messages):
token_count = estimate_tokens(messages)
if token_count < 100:
return "qwen-flash"
elif token_count < 500:
return "qwen-plus"
else:
return "qwen-max"
# 新实现
def select_model_by_bert(query: str) -> str:
prediction = bert_router.predict(query)
return "qwen-max" if prediction == "strong" else "qwen-flash"
```
**验证标准**
- [ ] 短查询正确路由到 qwen-flash
- [ ] 复杂查询正确路由到 qwen-max
- [ ] 延迟增加 <5ms
- [ ] 准确率 >85%
### 5.2 扩展方案 (Advanced)
**添加多臂老虎机在线学习**
```python
class ThompsonSamplingRouter:
"""结合 BERT 预测 + 多臂老虎机优化"""
def __init__(self):
self.bert = BERTRouter()
self.bandit = ThompsonSampling(n_models=3)
def route(self, query: str) -> str:
# BERT 提供先验
bert_prediction = self.bert.predict(query)
# 老虎机动态调整
model = self.bandit.select(bert_prediction)
return model
def update(self, model: str, reward: float):
# 根据实际效果更新
self.bandit.update(model, reward)
Phase 1 (已完成): NVIDIA 多头分类器 3-tier 路由
↓
Phase 2 (下一步): 添加多臂老虎机在线学习 (Layer 2)
↓
Phase 3: 语义缓存 + 批量优化 (Layer 3)
↓
Phase 4: 扩展模型池 (40+ 模型支持)
↓
Phase 5: 基于业务数据微调 NVIDIA 分类器
```
---
## 6. 参考文献
## 8. 参考文献
### 学术论文
1. **RouteLLM**: Ong et al. "RouteLLM: Learning to Route LLMs with Preference Data". arXiv:2406.18665, 2024.
@@ -336,6 +323,7 @@ class ThompsonSamplingRouter:
4. **RouterBench**: Hu et al. "RouterBench: A Benchmark for Multi-LLM Routing System". ICML 2024.
### 开源项目
- NVIDIA Classifier: https://huggingface.co/nvidia/prompt-task-and-complexity-classifier
- RouteLLM: https://github.com/lm-sys/RouteLLM
- Arch-Router: https://huggingface.co/katanemo/Arch-Router-1.5B
- LLMRouter: https://github.com/ulab-uiuc/LLMRouter
@@ -346,48 +334,6 @@ class ThompsonSamplingRouter:
---
## 7. 附录
### A. 模型下载命令
```bash
# RouteLLM BERT
huggingface-cli download lm-sys/routellm-bert
# Arch-Router 1.5B
huggingface-cli download katanemo/Arch-Router-1.5B
```
### B. 快速测试脚本
```python
# test_router.py
import time
from transformers import AutoTokenizer, AutoModelForSequenceClassification
tokenizer = AutoTokenizer.from_pretrained("lm-sys/routellm-bert")
model = AutoModelForSequenceClassification.from_pretrained("lm-sys/routellm-bert")
test_queries = [
"你好", # 简单
"解释量子计算", # 中等
"用 Python 实现一个分布式事务协调器", # 复杂
]
for query in test_queries:
start = time.time()
inputs = tokenizer(query, return_tensors="pt", truncation=True)
outputs = model(**inputs)
prediction = outputs.logits.argmax(dim=-1).item()
latency = (time.time() - start) * 1000
print(f"Query: {query}")
print(f"Prediction: {'strong' if prediction == 1 else 'weak'}")
print(f"Latency: {latency:.2f}ms\n")
```
---
**报告结束**
> 本报告基于 arXiv 论文、GitHub 开源项目和技术博客整理。