学习式控制
路由系统
我们研究信号学习、模型选择与推理策略，把原本依赖人工规则的路由过程转化为可学习、可优化、可审计的机器学习问题。
打开 GitHub研究方向
致力于将机器学习与前沿系统研究，让 AI 真正走向现实世界。
我们关注的不只是模型更强，而是如何让学习式决策机制与运行时基础设施一起演进，使 AI 能安全、可靠、可持续地落地。
能力、成本与边界
推理与效率
我们研究自适应推理、语义缓存与效率边界，在能力、时延与成本之间学习更优策略，让更强模型真正具备可部署性。
部署、协议与运行时
运行时与协议
我们研究运行时隔离、多智能体执行与开放协议，为模型、工具与企业系统建立稳定接口，让 AI 能长期运行在真实场景中。
论文与协议
论文、协议与开源成果。
围绕路由、推理、缓存、运行时与协议设计，持续输出论文、草案与开放实现。
arXiv 2026重点论文
vLLM Semantic Router: Signal Driven Decision Routing for Mixture-of-Modality Models
围绕多模态混合系统中的信号驱动路由，系统阐述语义策略、模型选择与可控推理路径。
打开论文研究方法
研究、代码与系统实践一起向前。
我们把论文、开源实现与协议设计放进同一个研究闭环，而不是彼此割裂地推进。
前沿问题
我们关注路由、推理、运行时与控制这些真正影响企业部署的核心技术问题。
开放实现
研究会落到真实系统里，从信号提取、决策逻辑到 DSL 编译和运行时行为都可被验证。
协议视角
我们把系统研究沉淀为可复用的接口与协议设计，推动更广泛的 AI 基础设施演进。