RouteWeaver enseña a un router de LLM a elegir el modo de ejecución y logra un 61,4% de precisión

Un equipo de investigadores ha propuesto RouteWeaver, un framework unificado de enrutamiento entre modelos de lenguaje. El sistema no solo elige a qué modelo llamar, sino también cómo estructurar el propio proceso: con una única consulta, con una serie de rondas o mediante un ciclo agéntico. En benchmarks de cinco áreas, el sistema alcanza una precisión media de 61,4%. Es un 11,03% relativo más que el mejor de los métodos comparados, y RouteWeaver supera a todos los baselines en cada uno de los cinco dominios. Si se hace la cuenta, el mejor competidor se queda en torno al 55,3%.

El problema: un router atrapado en un único esquema

El enrutamiento de LLM ya es una herramienta de trabajo habitual: reparte las consultas entre modelos heterogéneos para no gastar un modelo caro en tareas simples ni dejar las complejas en manos de uno débil. Pero casi todos los enfoques existentes se construyen en torno a un paradigma de ejecución fijo. Un router opera en modo single-round: elige un modelo y recibe la respuesta. Otro funciona en multi-round, donde los modelos se llaman de forma secuencial y se refinan entre sí. Un tercero es agéntico, con planificación y herramientas.

Esa rigidez genera un desajuste evidente. Una pregunta factual no requiere un diálogo de varios pasos entre modelos, mientras que un problema matemático complejo puede no resolverse en una sola llamada. Cuando la forma de organizar las llamadas está integrada en la arquitectura, el router no puede adaptarse a lo que necesita cada consulta concreta.

RouteWeaver elimina esa limitación. Los tres modos conviven dentro de una única política LLM, que aprende de forma conjunta dos cosas: qué modo aplicar y cómo elegir los modelos dentro de él.

COMET-GRPO: señales separadas para dos niveles de decisión

El entrenamiento conjunto de dos niveles choca con el problema de la asignación de crédito. Si toda la trayectoria recibe una única señal de ventaja, no está claro qué funcionó: una buena elección del modo o una buena ejecución dentro de él. Los autores lo resuelven con el algoritmo COMET-GRPO (COordinated Mode-Execution Training). Este descompone la ventaja a nivel de trayectoria en dos señales distintas: una para la elección del modo y otra para la ejecución dentro del modo. Así, cada decisión recibe su propia retroalimentación, más precisa.

El segundo elemento es progressive exploration. El entrenamiento arranca con modos asignados desde fuera y se desplaza poco a poco hacia la elección autónoma. La lógica es sencilla: primero el router aprende a ejecutar cada modo y solo después decide cuándo aplicar cada uno.

Las ablaciones muestran que sin este paso todo se rompe. Si se elimina progressive exploration, la política colapsa por completo en single-round: el router elige el camino más simple y deja de usar los demás. Ambos componentes son importantes, tanto COMET-GRPO como el esquema progresivo.

Qué se sabe de la evaluación

• Framework: una política LLM unificada que integra single-round, multi-round y agentic routing.
• Algoritmo de entrenamiento: COMET-GRPO, con señales de ventaja separadas para la elección del modo y la ejecución.
• Esquema de entrenamiento: progressive exploration, con transición de modos asignados a una elección autónoma.
• Dominios de evaluación: matemáticas, programación, conocimiento, razonamiento lógico y recall factual.
• Precisión media: 61,4%.
• Mejora relativa sobre el mejor baseline: 11,03%.
• Resultado por dominios: mejor que todos los métodos comparados en cada uno de los cinco.

Conclusión práctica para quienes construyen enrutamiento

Para los equipos que montan sistemas multimodelo, la señal principal es esta: conviene considerar la elección del modo de ejecución como parte de la tarea de enrutamiento. Si hoy tiene un router de modelos por un lado y, por otro, una lógica aparte que decide cuándo activar cadenas o agentes, RouteWeaver propone reunirlos bajo una única política entrenable.

Un segundo detalle práctico afecta al propio entrenamiento. El colapso a single-round sin progressive exploration es una trampa típica de los enfoques de RL: la política encuentra el camino más barato y estable, y se queda atascada en él. Entrenar primero al router para que ejecute los modos y después para que elija entre ellos es una técnica que se puede trasladar a otras decisiones jerárquicas en sistemas agénticos.

Queda por aclarar cómo se comportará este router en tareas ajenas a los cinco dominios probados y cómo tener en cuenta el coste y la latencia de los modos multironda y agéntico. Aun así, la dirección está clara: el enrutamiento pasa de ser la elección de un modelo a ser la elección de toda la estrategia de trabajo con él.