LLM 路由中升级信号的评测：目标、对照与五种自我欺骗方式

论文测试语义熵作为小模型升级到大模型的预判信号，在 GSM8K 上以约 12 倍规模差的小/大模型对取得 AUROC 0.871，并在同等成本下把路由准确率较随机升级提升最多 9 个百分点。合成基准上的亮眼结果被证明误导：仅用题目难度的无模型规则几乎复现语义熵表现。论文给出评测升级信号的通用检查清单，并提前预测复用缓存结果的方案在新数据集上 AUROC 从 0.908 跌至随机水平 0.518。