Page 241 - 《软件学报》2026年第6期

2560 软件学报 2026 年第 37 卷第 6 期

由占比较高), 从而降低计算成本. 此外, 在表 4 与表 5 中的 Flames 与 CaLM Lite 结果还表明, 简单地增加寻路次
数并不一定能够提升性能, 其提升幅度亦存在明显的上限.

表 4 寻路次数 α 的影响 (Route1)

寻路次数 OMGEval胜率 (%) Flames 无害率 (%) Flames 无害分数 CaLM Lite准确率 (%)
α = 1 59.7 27.5 61.50 60.7
α = 2 69.8 27.6 61.90 61.7
α = 3 75.3 27.9 61.93 61.9
α = 4 79.6 27.3 61.25 61.0
α = 5 79.6 25.3 60.16 60.1
α = 6 80.5 27.5 61.50 60.1

表 5 寻路次数 α 的影响 (Route2)

寻路次数 OMGEval胜率 (%) Flames 无害率 (%) Flames 无害分数 CaLM Lite准确率 (%)
α = 1 90.5 31.0 64.05 58.9
α = 2 90.0 32.6 65.06 59.1
α = 3 90.7 32.0 64.34 59.7
α = 4 91.0 32.1 64.37 59.9
α = 5 91.4 31.4 64.21 59.2
α = 6 91.8 33.2 65.17 58.6

5 总结与展望
为了细化模型串联路由质量评估策略、考虑模型之间的相互影响并提高路由选择效率, 本文在串联架构上设
计了一种基于协作关系的模型动态路由方法. 该方法包含互评量化机制以及动态协作路由算法. 互评量化机制利
用模型互评策略, 从各个模型的互评结果中挖掘协作关系信息, 为每个模型设定理想的协作对象. 动态协作路由算
法则进一步利用协作关系信息, 以“一致同意规则”为基础, 从理想协作对象中挑选对当前输出结果的反对者作为
下一跳节点. 大量实验结果表明本文所提路由算法的有效性. 互评分数与回复质量结果的相关性证实了分数与模
型参与意愿、分数与模型协作关系的关联; 与对照组路由的比较则验证了该算法在回复质量上的显著优势. 根据
实验结果可知, 大多数路由在两条之内即可结束, 且相较于随机设定的路由来说, 更能保证输出内容的质量.
通过显式建模模型间协作关系, 本文为模型互联引入了结构性协作的认知, 有助于推动从“系统整体协同”角
度重新审视大模型集成方式; 通过引入动态路由机制, 本文实现了对多模型路径的按需调度与灵活组合, 为后续模
型互联在复杂任务与环境下的部署提供了可行技术路线. 在未来工作中, 可以进一步探索多模型协作关系的动态
演化机制, 支持更大规模、更复杂网络结构下的协作调度; 同时考虑引入用户评价与系统表现评估的反馈优化机
制, 以提升路由策略的长期自适应能力.

References
[1] Brown T, Mann B, Ryder N, et al. Language models are few-shot learners. In: Proc. of the 34th Int’l Conf. on Neural Information
Processing Systems. Vancouver: Curran Associates Inc., 2020. 1877–1901.
[2] Chen XK, Wu ZY, Liu XC, Pan ZZ, Liu W, Xie ZD, Yu XK, Ruan C. Janus-Pro: Unified multimodal understanding and generation with
data and model scaling. arXiv:2501.17811, 2025.
[3] Hadi MU, Tashi QA, Qureshi R, Shah A, Muneer A, Irfan M, Zafar A, Shaikh MB, Akhtar N, Hassan SZ, Shoman M, Wu J, Mirjalili S,
Shah M. Large language models: A comprehensive survey of its applications, challenges, limitations, and future prospects. TechRxiv,
2024. [doi: 10.36227/techrxiv.23589741.v8]
[4] Gemini Team Google. Gemini: A family of highly capable multimodal models. arXiv:2312.11805, 2025.
[5] Wu XK, Chen M, Li WY, Wang R, Lu LM, Liu J, Hwang K, Hao YX, Pan YR, Meng QG, Huang KB, Hu L, Guizani M, Chao NP,
Fortino G, Lin F, Tian YL, Niyato D, Wang FY. LLM fine-tuning: Concepts, opportunities, and challenges. Big Data and Cognitive