arXiv · cs.AI· Swati Gupta, Tianjiao Li·· 6 小时前
LLM高保真度调用何时值得付费：混合保真度随机优化的自适应切换框架
When is a better LLM worth paying for? Stochastic Optimization with Switching Mixed-Fidelity Oracles
arXiv:2610.21139v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Swati Gupta, Tianjiao Li
研究任务与主要进展
Swati Gupta和Tianjiao Li研究何时值得为更好的LLM付费，提出两种可自适应切换随机预言机保真度的成本感知随机优化框架。摘要称，已知偏差时框架的累计成本不高于事后最优固定预言机，未知偏差时通过预算认证识别不可靠预言机；合成实验和LLM补全实验显示，该策略可跳过高成本调用并以相近准确率降低累计成本。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org