近日，新加坡国立大学、InfRec Cardinal AI Lab、UCB、香港科技大学 等机构的研究者提出 Route Anything，将模型与机器人策略放进同一套质量与成本框架，让系统根据当前任务选择更合适的候选。

传统 Router 常被用来降低调用成本：尽量用便宜模型接近强模型的表现。这项工作进一步追问，模型之间的互补，能否让组合系统超过最强单模型？

团队在 AAII 评测中报告了超过最强单模型的总体表现。论文中的一个具体结果是：在 Terminal-Bench 的 36 个共同测试输入上，4B 路由器调度系统得到 77.78 分，固定调用 Opus 5.5 为 69.44 分。

同一个选择器还能处理文本、Agent、图像、视频和语音任务。另一组独立代码实验则将调用费用降低 96.1%，测试质量仅低 0.44 分。

模型榜单给出了平均成绩的排名。Route Anything 关注的是，面对眼前这个输入，谁更可能把它做好。

研究团队先把候选放到相同输入上比较。整项研究覆盖 25 项基准、452 种候选配置与 374,401 次已评分运行，既包括生成模型，也包括代码与办公 Agent、机器人策略。

固定基线在训练数据上为每项基准选出最好的候选，测试时始终调用它。另一端则是逐输入 Oracle：看到所有候选的实际结果后，每次都选得分最高的那个。

在 24 项基准、19,814 个候选结果完整的测试输入上，固定候选得分为 82.60，Oracle 为 87.98，相差约 5.4 分。视频生成与机器人操作的差距分别达到 18.9 分和 18.4 分。

如果先知道任务属于哪类能力，再为每类选好模型，能拿到多少收益？在具有能力分类的 18 项基准上，即使允许事后选择，这种分配方式也只覆盖约 8% 的 Oracle 差距。

大部分互补，仍然藏在同类任务的不同输入里。知道这是代码题或视频生成任务，只是选择的起点。Oracle 利用了已经发生的结果，实际路由器则要在执行前找到判断线索。

研究者基于 Qwen3.5-4B 训练了一个能力树路由器。它读取任务文本与输出要求，预测输入对应的能力节点，再查询训练阶段建立的“节点—候选”映射表。

这棵树共有 157 个叶节点。所有任务共用一个分类器和一张映射表，连接文本、代码与办公 Agent、图像、视频、语音五类输出。4B 模型负责选择，具体任务仍由被选中的模型完成。

换到机器人，任务文字还不够。物体位置、相机视角和场景扰动都会影响策略表现。同样一句指令，在不同场景里，适合的策略可能变化。

团队因此单独训练视觉结果预测路由器，读取指令、三路相机画面和机器人状态，为七种视觉—语言—动作策略分别预测成功概率，再选出一个执行。

训练它时，一个直观做法是为每个场景标出唯一“冠军”，让分类器记住谁赢。但如果几种策略都能成功，冠军该给谁？

实验用推理时间打破平局，94% 的冠军标签由这条规则决定。31,408 条成功训练结果中，有 24,556 条仅因没有成为唯一胜者，就被当成了错误选择。

在相同输入、骨干模型和训练场景下，只预测冠军的分类器，机器人成功率为 42.8%；逐策略预测结果的路由器，成功率达到 71.6%。

一个场景可以有多个正确选择，训练信号也应保留这些成功。逐策略结果预测让每种候选的成功与失败都参与学习，再在选择阶段比较谁更适合当前输入。

统一能力树路由器在 16 项基准的 3,444 个共同测试输入上接受评估，总体得分为 79.98，高于各基准最佳固定候选组成的基线 79.68。

Terminal-Bench 从 69.44 分提高到 77.78 分；视频生成 VBench-2.0 从 62.17 分提高到 64.28 分；图像生成 OneIG 从 83.20 分提高到 84.30 分。

路由器并没有频繁更换模型，83%–86% 的输入仍被交给固定候选。整体收益来自一部分值得改变的选择。

机器人实验使用 RoboTwin 的 2,000 个仿真场景，来自训练时未见的 10 个任务。干净场景中 PatchWAM 更强，随机化场景中 ME-Dex 更强，视觉路由器学到了这个切换规律。

总体成功率从最佳单策略的 70.45% 提高到 71.55%，增加 1.1 个百分点；平均每场景的策略推理时间从 14.51 秒降至 11.05 秒，减少 24%。

能力接近时，价格差异带来另一种路由机会。Route Anything 根据参考策略与可接受的质量变化，选择费用更低的路线，让质量要求对应到实际调用方案。

独立的 CodeRouterBench 实验比较八个模型，包含 9,999 个代码任务，其中 2,919 个用于测试。研究者以固定调用 Opus 4.6 为参考，按任务维度与来源选择候选。

在拟合阶段要求相对参考策略零质量损失，得到的状态路由在测试集上仅低 0.44 分，每题平均费用由 0.011655 美元降至 0.000452 美元，减少 96.1%。每美元质量达到参考策略的 25.5 倍。

这条路线最终把所有任务直接交给较便宜的模型。五项图像生成基准也出现类似结果：训练阶段允许最多半分质量变化，测试费用下降 26%，测试质量低 0.47 分。

更贵的模型是否值得调用，要看它能为当前输入多带来多少质量。路由的作用，是把这项判断变成系统可以执行的选择。

从文本与多模态生成，到 Agent 和机器人，Route Anything 将不同形式的能力接入同一个选择问题：当前任务交给谁，能取得怎样的结果，又要花费多少资源。

一个 4B 选择器已经能够调度五类输出；机器人路由器则根据现场画面，识别已有策略各自适合的场景。组合系统的表现由此有机会超越始终使用单一候选的结果。

这项工作也留下了明确的研究空间。按能力分类只能覆盖一部分互补，更多机会需要从具体输入和真实执行结果中学习。保留每种候选的成功与失败，是理解这些差异的重要基础。

当模型和策略不断增加，系统除了知道谁平均更强，还需要知道谁此刻更合适。让已有能力被准确调用，正在成为通用 AI 系统的一条发展路径。