RouteWeaver ensina roteador de LLM a escolher o modo de execução e alcança 61,4% de acurácia

Uma equipe de pesquisadores propôs o RouteWeaver, um framework unificado de roteamento entre modelos de linguagem. Ele decide não só qual modelo chamar, mas também como estruturar o próprio processo: com uma única requisição, em uma série de rodadas ou por meio de um ciclo agêntico. Em benchmarks de cinco áreas, o sistema atinge acurácia média de 61,4%. Isso é 11,03% melhor, em termos relativos, que o mais forte dos métodos comparados, e o RouteWeaver supera todos os baselines em cada um dos cinco domínios. Pelas contas, o melhor concorrente fica em torno de 55,3%.

O problema: um roteador preso a um único esquema

O roteamento de LLM já virou ferramenta de trabalho: as requisições são distribuídas entre modelos heterogêneos para não gastar um modelo caro em tarefas simples nem entregar tarefas difíceis a um modelo fraco. Mas quase todas as abordagens existentes se baseiam em um paradigma de execução fixo. Um roteador opera em modo single-round: escolhe o modelo e recebe a resposta. Outro faz multi-round, em que os modelos são chamados em sequência e refinam o trabalho uns dos outros. Um terceiro é agêntico, com planejamento e ferramentas.

Essa rigidez cria um desequilíbrio evidente. Uma pergunta factual não exige um diálogo em vários passos entre modelos, enquanto um problema matemático complexo pode não ser resolvido em uma única chamada. Quando a forma de organizar as chamadas está embutida na arquitetura, o roteador não consegue se ajustar à necessidade de cada requisição.

O RouteWeaver elimina essa limitação. Os três modos convivem dentro de uma única política de LLM, que aprende em conjunto duas coisas: qual modo aplicar e como escolher os modelos dentro dele.

COMET-GRPO: sinais separados para dois níveis de decisão

Treinar os dois níveis em conjunto esbarra no problema da atribuição de crédito. Se a trajetória inteira recebe um único sinal de vantagem, não fica claro o que funcionou: a boa escolha do modo ou a boa execução dentro dele. Os autores resolvem isso com o algoritmo COMET-GRPO (COordinated Mode-Execution Training). Ele decompõe a vantagem no nível da trajetória em dois sinais distintos: um para a escolha do modo e outro para a execução dentro do modo. Cada decisão recebe um feedback próprio e mais preciso.

O segundo elemento é a progressive exploration. O treinamento começa com modos atribuídos externamente e vai migrando aos poucos para a escolha autônoma. A lógica é simples: o roteador primeiro aprende a executar cada modo e só depois decide quando aplicar cada um.

As ablações mostram que, sem essa etapa, tudo desanda. Se a progressive exploration é removida, a política colapsa por completo para single-round: o roteador escolhe o caminho mais simples e deixa de usar os demais. Os dois componentes importam, tanto o COMET-GRPO quanto o esquema progressivo.

O que se sabe sobre a avaliação

• Framework: política única de LLM que une roteamento single-round, multi-round e agentic.
• Algoritmo de treinamento: COMET-GRPO, com sinais de vantagem separados para a escolha do modo e para a execução.
• Esquema de treinamento: progressive exploration, com transição de modos atribuídos para escolha autônoma.
• Domínios de avaliação: matemática, programação, conhecimento, raciocínio lógico, recall factual.
• Acurácia média: 61,4%.
• Ganho relativo sobre o baseline mais forte: 11,03%.
• Resultado por domínio: melhor que todos os métodos comparados em cada um dos cinco.

Conclusão prática para quem constrói roteamento

Para equipes que montam sistemas multimodelo, o principal sinal é este: a escolha do modo de execução deve ser tratada como parte do problema de roteamento. Se hoje você tem um roteador separado para os modelos e uma lógica à parte para decidir quando acionar cadeias ou agentes, o RouteWeaver propõe reuni-los sob uma única política treinável.

O segundo detalhe prático diz respeito ao treinamento. O colapso para single-round sem progressive exploration é uma armadilha típica de abordagens de RL: a política encontra o caminho mais barato e estável e fica presa nele. Ensinar o roteador primeiro a executar os modos e depois a escolher entre eles é uma técnica que pode ser transferida para outras decisões hierárquicas em sistemas agênticos.

Resta saber como esse roteador se comporta em tarefas fora dos cinco domínios testados e como levar em conta o custo e a latência dos modos multirrodada e agêntico. Mas a direção está clara: o roteamento deixa de ser a escolha de um modelo e passa a ser a escolha de toda a estratégia de trabalho com ele.