Google DeepMind 论文：让模型竞价拍卖选出最优回答
Google DeepMind 论文：模型竞价拍卖选最优回答
Google DeepMind 新论文提出拍卖机制：各模型为每个问题“出价”，最高出价者作答，在 110 个模型、超 30,000 条 EmbedLLM 提示词上模拟达到最优模型选择的 99.2%，而按提示词类型路由到最佳模型仅 89.4%。在各方法表现最差的提示词簇上，拍卖机制保持 96.0%，单一最佳模型仅 6.0%。论文证明当多个智能体普遍对某提示词估值较高时损失会缩小。
Rohan Paul· @rohanpaul_ai · X·2026-10-23 02:00· 1 小时前AI 评分45
AI 导读
Google DeepMind 新论文提出让各模型为回答每个问题“出价”、由最高出价者作答的拍卖机制，在 110 个模型、超 30,000 条 EmbedLLM 提示词上模拟，效果达最优模型选择的 99.2%，而按提示词类型路由到最佳模型仅 89.4%。
正文 · 原文
Google DeepMind 的新论文表明，如果 AI 模型为回答每个问题而出价，并由出价最高者作答，其结果能达到始终选择最佳模型的 99.2%。
也就是说，假设你事先并不知道哪个模型最适合每个新问题。那么该由谁来回答？
论文给出的答案是：让每个模型为这项工作出价。自认为擅长这个问题的模型会出更高的价。出价最高者获得作答权。
他们证明，当多个智能体通常对某个提示词给出高估值时——例如蒸馏模型的表现接近最佳模型时——损失会缩小。他们在超过 30,000 条 EmbedLLM 提示词上模拟了 110 个模型之间的拍卖。
在全部 110 个模型参与竞价的情况下，拍卖达到了最佳可能值的 99.2%，而将每种提示词类型路由到其最佳模型则为 89.4%。在每种方法表现最差的提示词簇上，拍卖保持了 96.0%，而单一最佳模型仅保持 6.0%。
如果你运营一个模型市场，当每个竞价池中都有多个强模型时，简单的按出价支付拍卖效果很好。
来源：Rohan Paul · x.com
来源：RadarAI · aihot.news