LLM‑Routing neu gedacht: MaxSAT‑Ansatz liefert strukturierte Optimierung

In einer kürzlich veröffentlichten Arbeit auf arXiv (2603.13612v1) wird ein neuer Ansatz für die Auswahl des passenden großen Sprachmodells (LLM) vorgestellt. Das Ziel ist es, Anfragen effizient durch die richtige Modellpipeline zu leiten, selbst wenn die Nutzerpräferenzen in natürlicher Sprache formuliert sind und die Modellattribute nur teilweise sichtbar sind.

Der Autor schlägt vor, die Sprachbasierten Routing‑Aufgaben als gewichtetes MaxSAT/MaxSMT‑Problem zu formulieren. Dabei erzeugt das Feedback in natürlicher Sprache sowohl harte als auch weiche Einschränkungen für die Modellattribute. Die optimale Routing‑Lösung entspricht dann der Auswahl von Modellen, die diese Bedingungen möglichst gut erfüllen.

Eine experimentelle Analyse an einem Benchmark mit 25 Modellen zeigt, dass sprachbasiertes Feedback nahezu zulässige Empfehlungssätze liefert. Im Gegensatz dazu offenbaren Szenarien ohne Feedback systematische Vorprioritäten. Die Ergebnisse deuten darauf hin, dass LLM‑Routing als strukturiertes Constraint‑Optimierungsproblem verstanden werden kann, das auf sprachgesteuerte Präferenzen reagiert.