Mixture-of-Experts（MoE）系统在处理异构的大语言模型（LLM）集合时，如何快速、准确地选择合适的专家是核心难题。传统做法依赖联合训练的门控网络、基于提示的预测器或多模型推理，这些方案要么缺乏灵活性，要么计算开销大。ScoutRoute 提出一种轻量级的后置路由框架，只需一次前向传播即可从廉价的 scout 模型中提取内部信号，用以评估各专家的能力。具体做法是：
- 通过 scout 模型的隐藏状态构建轻量逻辑探针（logistic probe），对跨模型的 competence 进行估计；
- 将模型输出的 logits 转化为置信度分数，并结合任务域信息形成域感知路由策略；
- 在不修改任何语言模型参数的前提下，仅依据上述信号完成专家选择。
实验在五个开源权重的 LLM 上，覆盖数学推理、代码生成、常识推理和跨学科知识四类基准数据集进行评估。结果显示，ScoutRoute 在仅一次 scout 推理的情况下， consistently 超越单一信号的路由效果，并且其探针得到的置信度比传统的 logits‑based 方法更具校准性，证明内部表示能够提供可迁移的路由信息。
点评：ScoutRoute 通过利用模型内部特征实现了高效且可扩展的 MoE 路由，为异构 LLM 的协同推理提供了实用的解决方案。