一分钟读论文：《强模型掌舵，弱模型盯梢》
内容提要
Simular与威斯康星大学论文提出LEASH方法：让开源弱模型先执行计算机操作任务，按不确定性在合适时机升级给强模型，交接后弱模型转任影子观察者，用隐状态在线监测黑盒强模型是否跑偏。OSWorld上任务成功率73.66%，追平常开强模型，成本省19.2%。消融显示升级机制贡献最大，影子层再补5.7个百分点，仅多花约1.7%成本。
延伸解读
升级机制是省钱关键，影子盯梢是低成本保险
消融实验显示，从弱模型独立执行到加入不确定性升级，成功率从37.40%跃升至67.94%，贡献最大；影子盯梢再补5.7个百分点，成本仅增约1.7%。这说明LEASH的收益主要来自“何时换强模型”的判断，而非单纯多调用强模型。同成本下比随机升级高9.1个百分点，进一步印证升级时机判断的价值。
影子观察者：给黑盒强模型装在线仪表
强模型作为黑盒API，长任务中同样可能跑偏或陷入死循环，且口头信心不可靠。LEASH让白盒弱模型在相同动作token位置生成影子表征，用隐状态变化替代看不见的“心跳”，在线判断强模型是否在线。与事后打分的轨迹裁判不同，影子观察是运行时干预，能更及时地发现异常。
跨骨干一致有效，低升级率也有收益
在多个开源骨干上，LEASH的升级差距可回收75%–102%，成本为常开强模型的69%–81%。即使升级率较低，收益依然明显：Nemotron-3从45.04%升至66.03%（升级率43.1%），EvoCUA-8B从42.37%升至67.18%（升级率45.4%），4个开源骨干结果一致，说明方法不依赖特定模型。
预印本阶段，成本口径需留意
该论文为2026年10月arXiv预印本，结果以OSWorld任务成功率为口径，成本为按固定参考价折算token用量的估算值，非真实账单。论文未提及平台开源。读者在参考其19.2%成本节省和73.66%成功率时，需注意这些结论的时效性和估算性质，实际部署效果可能因环境而异。
Q&A
LEASH 方法是怎么工作的？它如何平衡成本和成功率？
LEASH 是一种无需训练的三层机制：首先根据任务级不确定性进行早期路由，将难任务直接交给强模型；运行中由弱模型的步级不确定性触发升级，将任务移交给强模型；交接后弱模型转为影子观察者，用隐状态在线监测强模型是否跑偏。这样在 OSWorld 上任务成功率达 73.66%，接近常开强模型（72.90%），但成本节省 19.2%。
LEASH 中的影子观察者是什么？它如何判断强模型是否跑偏？
影子观察者是弱模型在交接后转任的角色。由于强模型是黑盒 API，无法获取内部状态，LEASH 让白盒弱模型在相同的动作 token 位置生成影子表征，用弱模型隐状态的变化替代强模型不可见的“心跳”，从而在线判断强模型是否仍在正轨。这与事后打分的轨迹裁判不同，是运行时干预。
LEASH 的消融实验显示各层贡献如何？升级机制和影子层分别带来多少提升？
消融实验（Qwen3.5-35B-A3B 骨干）显示：弱模型独立执行成功率 37.40%；加入 Manager 拆解验收后 41.15%；加入不确定性升级后跃升至 67.94%（提升 26.8 个百分点）；再加入影子盯梢后达 73.66%（再提升 5.7 个百分点），而成本仅增加约 1.7%。可见升级机制贡献最大，影子层以极低成本补足剩余差距。
LEASH 在 OSWorld 基准上的具体成绩和成本是多少？与常开强模型相比如何？
在 OSWorld 上，以 Qwen3.5-35B-A3B 为骨干，LEASH 任务成功率 73.66%，常开 Claude Opus 5 为 72.90%；单任务估算成本分别为 $0.4117 和 $0.5094，LEASH 节省 19.2%。成本按固定参考价折算 token 用量得出，非真实账单。
LEASH 的升级机制为什么比随机升级更有效？
同成本对照下，LEASH 比随机升级高 9.1 个百分点，说明收益来自对“何时升级”的准确判断，而非单纯多调用强模型。升级由弱模型的步级不确定性触发，能在关键时刻将任务交给强模型，从而更高效地利用强模型资源。
LEASH 在不同开源骨干模型上的泛化表现如何？低升级率下还有收益吗？
跨骨干看，升级差距可回收 75%–102%，成本为常开强模型的 69%–81%。低升级率下也有收益：Nemotron-3 从 45.04% 升到 66.03%（升级率 43.1%），EvoCUA-8B 从 42.37% 升到 67.18%（升级率 45.4%），4 个开源骨干一致。
