|
大型语言模型（LLMs）在多种任务中展现出了卓越的能力，但它们在成本和功能上存在显著差异，这一点从图1中性能与成本的对比图中可见一斑。一般来说，功能更强的模型往往比功能较弱的模型成本更高。这在实际部署LLMs时引发了一个难题：将所有查询路由到最大、功能最强的模型可以获得最高质量的响应，但可能会产生较高的成本；而将查询路由到较小的模型虽然可以节省成本，但可能会导致响应质量降低。
大型语言模型（LLM）路由提供了一种解决方案，该方案通过一个系统首先处理每个查询，然后决定将其路由到哪个LLM。理想情况下，所有能够由功能较弱的模型处理的查询都应被路由到这些模型，而其他所有查询则应被路由到功能更强的模型，以此在保持响应质量的同时最小化成本。然而，这实际上是一个挑战性问题，因为路由系统在路由时需要推断进入查询的特性和不同模型的能力。为了解决这个问题，提出了RouteLLM，这是一种基于偏好数据的LLM路由的有原则框架。形式化了LLM路由问题，并探索了增强技术以提高路由器的性能。使用Chatbot Arena的公共数据训练了四种不同的路由器，并证明它们可以在不降低质量的情况下显著降低成本，在MT Bench上成本降低了85%以上，在MMLU上降低了45%，在GSM8K上降低了35%，相比仅使用GPT-4，同时仍达到GPT-4性能的95%。1. 作为OpenAI客户端的即插即用替代品（或启动一个与OpenAI兼容的服务器），将简单查询路由到成本更低的模型。2. 提供开箱即用的经过训练的路由器，这些路由器在广泛使用的基准测试如MT Bench上显示出在降低成本高达85%的同时，保持了95%的GPT-4性能。3. 基准测试还表明，这些路由器在性能上与商业产品相当，同时成本降低了超过40%。4. 轻松扩展框架以包含新的路由器，并在多个基准测试中比较路由器的性能。pipinstall"routellm[serve,eval]"
gitclonehttps://github.com/lm-sys/RouteLLM.git
cdRouteLLM
pipinstall-e.[serve,eval]
参考： 1.https://github.com/lm-sys/RouteLLM?tab=readme-ov-file 2.https://arxiv.org/pdf/2406.18665
| 
