arXiv cs.AI· Nastaran Okati, Ricardo Olmedo, Moritz Hardt·· 1 天前AI 评分31
如何规避计算套利的计算复杂度难题
Circumventing the Computational Hardness of Computational Arbitrage
AI 导读
研究将 AI 模型市场中的计算套利形式化为分配问题，并证明其一般情形是 NP-hard。但在模型性能随推理支出呈边际收益递减的自然条件下，最优分配可被高效计算；作者还提出一种样本高效的方法，用有限数据估计模型性能，降低识别套利策略的前期成本。分析显示，最优时每个获得资金的模型每美元边际效用相同，套利会使收入从性价比低的提供商处转移，并奖励互补性专长。
正文 · AI 翻译
摘要：AI 模型市场中的提供商在成本和能力上各不相同。这些差异为计算套利（Olmedo 等，2026）创造了机会，即中间商从一组模型组合中购买推理服务，再以盈利方式转售给用户。除了为套利者创造盈利机会外，计算套利还为消费者和提供商带来经济价值，因此可能显著影响 AI 模型市场。虽然先前的工作已通过实证证明了在小型模型池中进行计算套利的可行性，但将其扩展到大型市场需要既在计算上可行、又识别和部署成本低廉的套利策略。在本工作中，我们将计算套利形式化为一个分配问题，并证明它通常是 NP 难的。然而，我们表明，在模型性能随推理支出增长而呈现自然边际收益递减的条件下，可以高效地计算出最优分配。我们进一步开发了一种样本高效的方法，用于从有限数据中估计模型性能，从而降低识别套利策略的前期成本。我们的分析还得出了若干经济学洞见：在最优状态下，每个获得资金的模型每美元带来的边际效用相同；套利会将收入从相对于其价格提供效用较低的提供商那里转移走；并且它奖励互补性专业化。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.40831 [cs.AI] |
| （或 arXiv:2610.40831v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40831 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Nastaran Okati [查看电子邮件]
[v1]
2026年10月29日星期四 18:14:06 UTC（392 KB）
来源：arXiv cs.AI · arxiv.org