ICL-Router：用于 LLM 路由的上下文学习模型表示

基于摘要分析。该研究针对 LLM 路由中的候选模型能力表示与新增模型扩展问题，提出 ICL-Router，以 in-context vectors 表示模型能力，并预测各候选模型能否正确回答新查询；研究对象是 LLM 查询路由，而非 EEG 解码或 BCI。 方法分为两阶段。第一阶段将查询嵌入并投影为向量，联合训练投影器与基于 LLM 的路由器，以重构原始查询，使向量表示与路由器的语义空间对齐。第二阶段在一组查询上评测各候选模型，并让路由器依据查询及模型表现的上下文向量，学习预测模型对新查询的回答正确性。摘要未说明具体损失形式、能力表示的聚合方式，以及最终选模是否考虑推理成本。 作者报告，该方法在分布内与分布外任务上取得最先进的路由性能，并可在不重训路由器的情况下接入新模型。这些结果对应的候选模型池、数据集、任务划分、对照基线、指标及数值均未在摘要中提供，实验协议、消融及统计信息尚未验证。新增模型仍需何种能力评测、多少查询及多大计算开销，也需全文核对；无需重训路由器不等于无需新增模型评测。 摘要提供了代码仓库，但实现完整性与复现条件尚未验证。其机制依赖查询语义表示及候选模型在查询集上的正确性反馈，目前没有足够材料建立与 EEG 信号建模瓶颈的具体对应关系，不据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。