多轮LLM Router问世 Router-R1让大模型学会「思考–路由–聚合」

Haozhen Zhang 现为南洋理工大学（NTU）博士一年级学生，本工作完成于其在伊利诺伊大学厄巴纳-香槟分校（UIUC）实习期间。Tao Feng 为 UIUC 博士二年级学生，Jiaxuan You 为 UIUC 计算机系助理教授。团队长期聚焦 LLM Router 方向，已产出 GraphRouter、FusionFactory 及本文 Router-R1 等多项代表性研究成果。

“如果一个问题只需小模型就能回答，为什么还要让更贵的大模型去思考？”

在大语言模型（LLM）种类爆炸的时代，这个看似简单的问题，正成为 AI 系统设计的关键瓶颈。面对性能、延迟与成本的多重平衡，如何智能地在不同 LLM 之间分配任务，已经成为 AI 基础设施的新挑战。

近日，来自伊利诺伊大学香槟分校（UIUC）的研究团队在 NeurIPS 2025 上发布了新作：《Router-R1：Teaching LLMs Multi-Round Routing and Aggregation via Reinforcement Learning》，本文提出了首个多轮 LLM Router 框架Router-R1，让 LLM 不止会 “回答”，还会 “思考、调度与协调其他模型” 来达到可控的性能与成本平衡。

• 论文标题：Router-R1: Teaching LLMs Multi-Round Routing and Aggregation via Reinforcement Learning
• 作者团队: Haozhen Zhang, Tao Feng, Jiaxuan You
• 机构: University of Illinois at Urbana-Champaign
• 论文地址: https://arxiv.org/abs/2506.09033
• 代码地址: https://github.com/ulab-uiuc/Router-R1

背景：从「一个模型回答所有问题」到「智能调度」

ChatGPT、Claude、Gemini、Qwen、LLaMA……，短短两年，LLM 家族已从寥寥数个增长到百余种。不同模型各有优势，有的擅长逻辑推理，有的在知识问答上精准，有的响应快、成本低。

但如今的 AI 应用，大多依赖单一模型推理，即用户问题会直接被送入某个固定的 LLM 中进行回答。这种方式虽然简单，但却意味着：简单问题可能导致算力浪费；复杂问题又可能因模型能力不足而回答错误。

因此，“LLM Router” 应运而生并正在成为 AI 系统的新前台大脑：不同于 Token-level Router（如 MoE），LLM Router 在 Query-level 层面进行路由，它能够判断一个问题的复杂度、匹配最合适的模型，甚至动态组合多个模型完成推理。

然而，现有的 LLM Router（如 GraphRouter、RouterDC 等）大多采用单轮决策机制：给定一个问题，只路由到一个候选模型完成回答，这种单轮路由机制难以处理多跳推理或跨领域的复杂任务。

Router-R1：让 Router 本身成为一个「会思考的 LLM」

本文提出的 Router-R1 的核心创新在于让 Router 自身成为一个具备推理能力的 Policy LLM。

也就是说，Router-R1 不再只是一个 “Query 分发器”，而是一个拥有思维链，能主动进行 “思考 — 选择模型 — 聚合” 的智能体，可以在思考，路由，聚合几种行为之间反复切换并进行多轮路由迭代，逐步构建最终答案：

• 1️⃣Think（思考）：在接收到 User Query 后，Router-R1 会首先执行 “思考” 阶段进行内部推理分析，并判断是否需要外部信息进行辅助；
• 2️⃣Route（路由）：若发现需要额外信息，Router-R1 则触发 “路由” 指令根据每个 LLM 的 Descriptor Prompt 动态调用合适的外部候选模型（如 Qwen、LLaMA、Gemma、Mixtral 等）进行回答子问题；
• 3️⃣Aggregate（聚合）：外部模型调用的回复结果返回后继续插入 Policy LLM 的 Evolving Context 进行聚合，并继续进行后续的多轮推理逐步生成最终答案。

这种 “思考–路由–聚合” 的交替机制，使 Router-R1 能充分利用不同 LLM 的互补优势（例如一个擅长数学推理、另一个擅长知识检索），潜在实现真正的多模型协同推理。

用强化学习教 Router 平衡性能与成本

Router-R1 将整个多轮路由过程形式化为一个序列决策问题，并通过强化学习训练 Router 使之学会在复杂决策空间中优化 Performance-Cost Trade-off。论文中设计了三类直观的奖励函数：

1️⃣ Format Reward：输出 Format 正确性奖励

确保模型输出严格遵守如

等格式约束，防止训练早期生成无效文本。

2️⃣ Final Outcome Reward：结果正确性奖励

采用 Exact Match（EM）指标衡量生成答案与标准答案是否完全一致，直接激励 Router 输出正确结果。

3️⃣ Cost Reward：成本约束奖励

Router-R1 创新地引入了计算成本奖励机制，根据被调用模型的参数规模及输出 Token 数设计反比例奖励函数：

综合三者后，Router-R1 的总奖励为：

其中超参 α 控制性能与成本的权衡程度。

七大基准全面领先：准确率 + 泛化性双提升

研究团队在7 个 QA Benchmark上对 Router-R1 进行了系统评测，涵盖单跳与多跳推理任务，包括 NQ、TriviaQA、PopQA、HotpotQA、2WikiMultiHopQA、Musique 和 Bamboogle。Router-R1 仅在 NQ 与 HotpotQA 数据集上进行训练，在其余数据集上执行 Out-of-domain Evaluation。

如上图所示，当 α=0 时（即只优化 performance 不考虑 cost），Router-R1 在所有数据集上达到了综合最强的性能，击败了如 GraphRouter/RouterDC 等单轮路由方法，并展现出了对 Unseen Dataset 的较强泛化性。

如上图所示，当继续改变超参 α 来探究性能成本权衡时，随着 α 增加，调用成本显著下降，为可控成本的 LLM 智能调度策略开辟了新的范式。

同时，为了检测 Router-R1 对外部候选 LLM 的泛化性，如上图所示在未参与训练的外部模型加入后，无需重新训练即可保证性能的相对稳定并在此基础上实现提升，显示出 Router-R1 优异的零样本迁移能力。

总结：迈向「多模型协同智能体」的时代

本文提出的 Router-R1 不是又一个 “更大的模型”，而是让多个模型协同工作的新范式。Router-R1 通过强化学习，让 LLM 从 “单一回答者” 进化为「多智能体协调者」，在性能与成本之间实现动态平衡。得益于此，Router-R1 能在减少算力和成本开销的同时保持高质量输出，降低大模型部署的环境与资源压力。Router-R1 天然支持模型重用与模块化组合，只需添加新模型描述即可快速集成，为构建可扩展、多模型共生的 AI 基础设施奠定了基础。

值得注意的是，最新的 GPT-5 技术报告也已明确采用 LLM Router 机制来进行不同版本模型的动态调度，这进一步印证了 Router-R1 所代表的趋势：多模型协同路由将成为未来大模型生态不可或缺的底层基础设施。