vLLM这个神器，让单次调用背后藏了一支模型协作小队

所有人都在等下一个SOTA模型的诞生，但你不知道的变化，正悄悄发生在模型前侧。

在过去一年里，router 已经从 “把请求分给哪个模型” 的转发代理，演变成了模型推理的核心 “总指挥”。

它的目标扩展为：

• 降低成本：什么时候必须用前沿模型，什么时候用开源 SOTA 模型，还是本地小模型已经足够？
• 安全防护：当请求属于法律、医疗、金融、未成年人、企业机密等敏感区域，是否应该自动切到更严格的模型？或者用更强的过滤器或更稳的审查和校验，或者上升到人为确认？
• 云边协同：哪些请求意图应该留在边端，比如通过 AI PC 部署的本地模型，做本地低延迟的快速处理；哪些任务应该升级到云端，让更强模型接手？

上面这些都是 router 从传统的路由转发，演进出来的 “系统智能”。

vLLM 社区推出的 Semantic Router 除了专注上面三个方向，正在更进一步：

我们认为：router 不只是选择模型，还可以提升模型能力。

用户不用改权重，也不用让每个 Agent 团队都自己搭一套 Graph，而是在一次普通 Model API 调用的内部，组织出一支有边界、有预算、有验证、有回退的 “小队”。

图 1：router 正在从 “模型选择层” 变成 “能力构造层”。

最近日本的 AI 公司 Sakana Fugu 热度很高，也引发了众多的讨论，他们推出的 Fugu 模型，是这个想法的商业化的版本：用户看到的是一个虚拟模型，但实际背后却是一组模型的动态协作。

而 vLLM Semantic Router 团队从 2025 年的年初就开始专注智能路由领域，并在开源的方式构建和协作，推出了 Micro-Agent 来解决这个问题。

用户仍然只调用一个模型：

但在这个稳定的 model 后面，router 可以根据意图，智能的选择路由配方，fan out 到多个 worker，收集 quorum，判断分歧，合成答案，修复输出格式，最后返回一个普通的 OpenAI-compatible response。

整个协作的过程，像调用一个普通模型一样简单。

Looper：把 Micro-Agent

放入到 Serving Runtime

在 vLLM Semantic Router 处理请求的过程中，looper 是 micro-agents 的运行时。

当一次请求进入 router 时，它仍然是一条普通 chat completion。router 会通过不同角度，先抽取异构的语义 signals，再把离散的 signals 投影成 task shape、difficulty、risk、contract pressure 等可用于策略判断的低维向量，然后基于命中 decision，最后到不同的路由算法。

这个算法可以是匹配最适合这个任务的单模型，也可以是一个多模型协作的 Loop。

当前的 looper patterns 有五类：

• Confidence：根据 confidence 自动升级。先尝试便宜或小的 candidate 模型，再度量 confidence，不够再往上升级。
• Ratings：一次性让多个 candidate 模型参与，并用 rating-aware weights 进行聚合。
• ReMoM：面向高方差推理的 repeated mixture-of-model reasoning。它发起并行推理，等待采集到足够多的有效结果，再做 synthesis。
• Fusion：panel、judge、finalizer 模式。多个独立答案不是简单投票，而是变成 agreement、contradiction、unique insight 等使用的证据。
• Workflows：有角色、有计划、有 verifier 的 micro-agent 动态 workflow 模式。它可以调度出 planner /worker/verifier /finalizer 等动态工作流，去解决一个复杂问题。

图 2：looper 在 router 内部运行 micro-agents，同时保持外部 Model API 不变。

我们的设计里，做了克制的工程化实现，不同的 looper 算法需要综合控制预算、拓扑、并发、timeout、retry、fallback 和 output contract 以及可观测性，确保它在 routing 过程中的可靠性以及稳定性。

同时我们认为不同的 looper 算法适用于不同的场景，也有不同的收益：

Confidence：只把升级花在

难解决的问题上

Confidence 是 cost-aware loop。它先用较小或较便宜的 candidate 生成答案，再判断这个答案是否足够可信。confidence signal 可以是 token-level log probability、logprob margin、hybrid score、self-verification 生成的，也可以是 AutoMix-style entailment verifier 生成的。

但是如果分数超过阈值，router 直接返回。如果分数不够，route 才会升级到下一个 candidate。

这让 “是否升级” 从应用层的隐式逻辑，变成 router 的显式策略：threshold、failure behavior、stopping condition 都可以被配置、观察和复现。

图 3：Confidence 把模型升级变成可度量的 stopping policy。

Ratings：硬上限约束下的

并行质量控制

Ratings 是 controlled ensemble loop。它会并行启动多个 candidate，但只到配置里的 max_concurrent 上限为止。这样一个 route 可以吸收多个模型视角，又不会把每个请求都变成无边界 fan-out。

router 收集成功的返回，按 rating-aware 聚合结果，并按预定义策略去处理失败。它适合 A/B-style evaluation、ensemble strategies，以及 operator 已经有 candidate quality signal 的场景。

图 4：Ratings 让多候选执行保持有界，并把评分信号纳入聚合。

ReMoM：有契约的 Breadth

ReMoM 适合高推理方差任务模式。它先展开 breadth samples，让多个 worker 独立产生证据；然后通过 minimum-success quorum 判断是否有足够有效材料；最后由 synthesis model 合并证据，并修复成目标输出格式。

它不是 “三个模型投票”。更准确地说，它是一条有 quorum、有 synthesis、有 fallback 的服务路径。

如果 synthesis round 失败，但如果前面已经有了有效证据，router 就不需要直接返回失败。它可以回退到 best valid evidence，仍然返回一个正常 API response。

图 5：ReMoM 把 breadth、quorum、synthesis 和 fallback 都变成 serving-time controls。

Fusion：把分歧变成信号的模式

Fusion 的假设更加微妙：有时候最有价值的不是平均答案，而是分歧结构。

多个 panel answer 会被整理成证据图。哪些地方一致，哪些地方冲突，哪些回答提供了独特 insight，都会交给 judge 和 finalizer。最终用户仍然只看到一个答案，但 router 内部已经用分歧做了一次质量增强。

这类 loop 处理 hard reasoning、expert judgment、exact-answer 任务时尤其有用。因为最危险的失败不是模型犹豫，而是模型非常自信地出错。

图 6：Fusion 不隐藏分歧，而是把分歧转化成证据。

Workflows：

有边界的 Micro Agent 模式

Workflows 是最接近 agent 的形态，也是最需要边界的。

planner 可以制定计划，但只能选择已经允许过的 worker models。plan 必须能能够被校验。每一步都必须有 max steps、max parallel、timeout 和 error policy。finalizer 必须把结果收敛到 output contract 里。

这意味着 router 可以表达 planner、patcher、verifier、finalizer，而不要求应用层必须自己维护一套 fragile 的 agent stack。

图 7：Workflows 给 router 一个受约束的角色系统，而不是一个无边界的 autonomous agent。

Auto Recipe：一个 Model Name，

多种 Loop

vllm-sr/auto 的设计，不是让用户 “永远跑最强的 loop”，而应该是：router 根据语义和上下文，选择对当前请求来说最合适的协作模式。

difficulty、risk、format pressure、latency、cost 不是 prompt 里的注释，而是 routing facts。它们可以决定这次请求应该走 Confidence、Ratings、ReMoM、Fusion、Workflows，还是 fallback path。

图 8：Auto Recipe 用 signals 选择 collaboration pattern，同时保持单一 model identity。

Loop 是万能的吗？

我们做 eval 后，最明确的发现是：没有一个 loop 能对对所有 benchmark 都做到最优。

而更准确的结论是：

最好的 loop 是由 task-shaped。

GPQA-Diamond 要保证有 multiple-choice contract。LiveCodeBench 要拥有 runnable code、hidden-test robustness、输入输出格式。Humanity’s Last Exam 要处理分歧、长推理和 exact answer。SWE 任务则天然就需要 planner、patcher、verifier、finalizer。

所以说 vllm-sr/auto 的真正价值并不是把所有请求都拖进昂贵协作，而是把 request shape 提前感知出来，再选择对应匹配的 recipe。

图 9：不同 benchmark 对应不同 recipe，router 用 signals 和 projections 选择合适的协作路径。

在我们的实验里，这些 shape 是显式写进路由策略的：

• GPQA-Diamond 使用严格的 ANSWER: X contract，避免 synthesis 把选项格式改乱。
• LiveCodeBench 会识别 constraints、starter code、standard input、float tolerance、timeout risk 和 hidden-test risk。
• HLE 会识别 formal reasoning、disagreement risk、long context 和 exact-answer pressure，再选择 deeper ReMoM、smaller Fusion 或 fallback。

这就是为什么 router-side model collaboration 不只是 prompt engineering。Prompt 只是其中一层。

真正的 recipe 还包括 model pool、roles、reasoning effort、concurrency、quorum、timeout、synthesis model、fallback policy、output contract 和 observability labels。

三个实验：分数不是全部，

但足够能说明趋势方向

我们把当前 recipe 放到三个高难 benchmark 上做了实验：LiveCodeBench、GPQA-Diamond、Humanity’s Last Exam，都取得了不错的成绩：

图 10：VSR Closed / VSR Hybrid 在三个 hard eval 上的 scorecard。

VSR Closed 指 recipe 全部使用闭源商业化模型。
VSR Hybrid 指 recipe 混合开源和闭源模型，并在高风险 judging、repair、synthesis 或 fallback 上使用更强的闭源模型。（在成本上相比全部闭源模型有很大的优势）

实验表明：hybrid model collaboration 可以形成一个比底层单次调用更强的统一 Mixture-of-Models。它可以接近、匹配甚至超过 SOTA 单模型的 model baseline，持平或超过了 Fugu 的商业化 Collaborative Model，同时保持一个干净的 Model API 接口。

用户看到的是一个模型名称。而系统控制着路由配方，可以在不改客户端的情况下快速接入。开源模型和闭源模型也可以在同一个 Router 的指挥下参与协作。

Model Serving 的边界正在被改变

过去的 serving stack 是被动的：收到 model name，把请求发给 backend。

下一代 serving stack 是主动的。它会问：

• 这个请求有哪些特征？
• 它处在哪个 quality、cost、latency、safety band 的哪个阶段？
• 单模型是否足够？
• 如果不够，应该运行哪种 collaboration 算法？
• 哪个 output contract 不能被破坏？
• provider 慢了、错了、格式坏了，应该怎么回退？
• 如何给用户一个干净反馈，同时保留完整 trace？

这不是应用 glue。这是 infrastructure。

Micro-agent 进入 router，因为 router 天然就站在 Agent 和 Model 之间，掌握着一切路由所需要的语义（Semantics）以及系统状态（KVCache、Load），担任系统的大脑去智能的路由和调度模型，最终以 OpenAI-compatible API 的兼容语义暴露出去。

作者介绍与致谢

本项目由来自 MBZUAI、McGill University、Mila 和 Agentic Intelligence Lab 的研究者共同完成，并得到了 Dr. Bowei He 和 Prof. Xue Liu 的指导与支持。Dr. Bowei He 是 MBZUAI 和 McGill University 的博士后研究员，当前主要研究方向围绕 Agentic AI。Prof. Xue Liu 是 MBZUAI 和 McGill University 的 CS 和 ML 系教授，同时也是加拿大工程院院士和 IEEE Fellow. 主要 Individual Contributors 包括来自 vLLM Semantic Router 社区的: Xunzhuo Liu、Huamin Chen、Yincheng Ren。同时也感谢 AMD 的 Andy Luo 和 Haichen Zhang 提供了 AMD GPU 硬件支持，以及高性能的 Model Serving 和 Evaluation 环境等。

下一轮模型竞赛仍然会有更强的模型出现。但它也会有更强的 router 出现：知道什么时候省钱，什么时候做安全升级，什么时候留在边端，什么时候去云端，什么时候把一次请求变成一支小而纪律严明的队伍。

这也是 vLLM Semantic Router 团队专注的方向，欢迎大家使用和参与到开源贡献中！