Route Anything, AI 모델 라우팅 연구 공개

연구진이 여러 작업에서 특화된 AI 모델과 정책을 동적으로 선택하고 조정하는 프레임워크 Route Anything을 소개했습니다. 연구진은 모든 역량에 하나의 모델을 쓰는 대신, 작업 품질과 계산 비용의 균형을 맞추며 후보를 선택하는 시스템을 살폈습니다.

연구진은 언어 이해, 이미지·영상·음성 생성, 코딩, 업무 에이전트, 로봇 조작 등 25개 벤치마크를 아우르는 옴니모달 궤적 행렬(여러 작업 유형의 점수 결과)을 구축했습니다. 이 행렬에는 후보 설정 452개에서 나온 점수 산출 실행 374,401건이 담겼습니다. 이를 이용해 모델 라우팅과 학습형 라우터를 살펴보고, 라우팅이 효율을 높이는 조건을 분석했습니다.

16개 벤치마크에서 학습형 라우터는 성능이 가장 좋은 고정 후보보다 0.3점 높은 점수를 기록했고, 영상 생성에서는 2.1점, 로봇 조작에서는 1.1점 높았습니다. 정책 실행 시간은 24% 적게 사용했습니다. 입력마다 가장 좋은 후보를 고르는 오라클 라우팅은 최고 고정 후보보다 5.4점 높았으며, 연구진은 기준 모델과 비교해 라우팅이 효율을 평균 8.82배 높인다고 보고했습니다.

연구진이 여러 작업에서 특화된 AI 모델과 정책을 동적으로 선택하고 조정하는 프레임워크 Route Anything을 소개했습니다. 연구진은 모든 역량에 하나의 모델을 쓰는 대신, 작업 품질과 계산 비용의 균형을 맞추며 후보를 선택하는 시스템을 살폈습니다.

연구진은 언어 이해, 이미지·영상·음성 생성, 코딩, 업무 에이전트, 로봇 조작 등 25개 벤치마크를 아우르는 옴니모달 궤적 행렬(여러 작업 유형의 점수 결과)을 구축했습니다. 이 행렬에는 후보 설정 452개에서 나온 점수 산출 실행 374,401건이 담겼습니다. 이를 이용해 모델 라우팅과 학습형 라우터를 살펴보고, 라우팅이 효율을 높이는 조건을 분석했습니다.

16개 벤치마크에서 학습형 라우터는 성능이 가장 좋은 고정 후보보다 0.3점 높은 점수를 기록했고, 영상 생성에서는 2.1점, 로봇 조작에서는 1.1점 높았습니다. 정책 실행 시간은 24% 적게 사용했습니다. 입력마다 가장 좋은 후보를 고르는 오라클 라우팅은 최고 고정 후보보다 5.4점 높았으며, 연구진은 기준 모델과 비교해 라우팅이 효율을 평균 8.82배 높인다고 보고했습니다.