状态信息何时带来收益：序列多模型路由中的成本分离

基于摘要分析。本文研究智能体执行轨迹中的错误如何改变后续模型调用的价值，并通过两状态传递模型和真实执行工作流，分析状态条件路由相对于确定性及随机化开环调度的成本优势。主要研究对象是序列多模型调用策略，而非 EEG 信号建模或 BCI 解码。 理论上，作者在模型能力有序的假设下分析固定强模型调用次数的调度，得到最优调度将强模型调用集中在序列后缀的结论。在明确的目标区间内，该结构给出精确的确定性成本，并将随机化开环最优解化为 K+1 个后缀策略点的下凸包问题。作者进一步用一个可行的状态条件策略，构造同类策略比较下的成本分离证书。作者报告，在一个受控实例中，随机化将开环成本从 12 降至 5.32；精确求得的随机化状态历史策略最优成本为 3.56，留下 1.76 的信息优势差距。这些数值属于该受控实例，摘要未提供其成本单位和完整参数条件。 为区分状态信息与外生随机化的贡献，作者还分析了噪声信号：当信号不含信息时，相应证书消失。在线验证采用无需金标准的检测器级联，先仅依据成本校准与状态无关的随机触发器，再冻结策略进行测试。作者报告，在 200 个互不重叠任务、每种策略各进行三次新运行、合计 1,200 个执行回合的设置下，StopRoute 成功率为 79.50%，对照为 74.50%，平均配对提升为 5.00 个百分点；名义成本差距为 2.67%，处于预设的 5% 点估计容差内。该结果支持作者关于额外调用分配位置具有价值的结论，但点估计容差本身不等于统计等效性结论。 全文尚未取得；两状态模型的转移定义、能力排序条件、目标区间、K 的具体含义，以及检测器构成、任务分布、成功判定和成本核算均需核对。实验协议、消融及统计信息尚未验证，尤其需查看配对差异的不确定性和重复运行的分析方式。摘要未提供 EEG/BCI 实验或具体迁移机制，已有 EEG 相关工作尚未检索确认，因此不将上述成本优势视为 BCI 有效性的证据。