异构模型协作旨在利用不同模型的互补优势，在保持预测性能的同时降低推理成本。传统方法要么依赖训练好的路由器，将路由决策绑定到固定任务和模型集合，要么使用原始置信度级联，但后者的阈值在不同模型之间缺乏统一的可靠性语义，导致在模型池或预算变化时适应性差。我们提出校准感知不确定级联（CAUC），这是一种后置框架，先对每个模型的置信度进行独立校准，再利用验证集选取部署策略。校准后的置信度形成统一的可靠性尺度，可用于决定是否接受早期预测、调用更强模型或选择性地融合模型输出。该决策准则与具体模型池或运行预算解耦。理论上，校准赋予置信阈值明确的选择风险解释，而未校准的分数则无法提供可靠保证。实验在六个语言基准上显示，CAUC 相比仅使用强模型推理，平均提升 1.9% 的相对准确率，同时约减少 47% 的强模型调用；在图像分类基准上，保持或提升预测性能的同时，测得的 GFLOPs 最多下降 57%。
点评