Персонализированная программа LLM с онлайновым обучением привилегии

arXiv: 2610.22695v1 Annuales Type: New Hume Brieflow: Мы изучаем индивидуализированный маршрут LLM, где маршрутизатор выбирает между разнородными моделями с различными затратами и возможностями. Курьер должен сводить к минимуму совокупные затраты, связанные с принятием решений, обеспечивая при этом надежное соблюдение требований в отношении качества ответов, хотя предпочтения пользователей неизвестны и должны быть изучены на основе обратной связи во время развертывания. Мы формулируем эту проблему как ограниченную контекстуальную бандитскую группу и разрабатываем алгоритм, который учится предпочтениям при сбалансированности затрат и качества. В рамках модели логистических преференций и строгого технико-экономического состояния мы устанавливаем сублинейное ожидаемое сожаление по поводу издержек относительно оптимального стационарного случайного контекстуального оракула, а также высокую вероятность гарантии реализации совокупной удовлетворенности. Эти рамки выходят за пределы маршрута ЛМЗ и охватывают более широкие проблемы выбора моделей в режиме онлайн с требованиями надежности.