探查：通过首先探查存储库来实现 编码智能体 的成本感知路由

前沿语言模型可以解决存储库级别的软件问题，但每次尝试都很昂贵，并且现有路由器仅从问题文本中选择模型。我们展示了 SuperScout，它在侦察存储库后进行路由：7B 搜索器 SuperScout-7B 首先探索存储库并生成结构化的交接，其复制声明经过沙箱验证，并在交付前删除虚假声明。然后，搜索者的隐藏状态与任务文本一起提供给基于简历的路由器，该路由器将任务分派给四个前沿固定器之一。添加新的修复程序不需要重新培训。在基准官方上限预算层下的 SWE-bench Pro 的完整 Python 切片（266 个任务）上，SuperScout 与最佳单一模型的解决率（SuperScout 为 266 中的 159，最佳模型为 158）相匹配，约为每次解决总成本的五分之一，并且报告的配置高于随机流量分配基线。无路由器消融始终是最便宜的切换解决方案，将路由系统与此基准联系起来，因此切换而不是路由决策会带来结果。配对校准研究指出了这种机制：切换似乎是重新分配而不是增加解决能力，提升了三个更便宜的修复者，同时稍微伤害了最强的，尽管在 $N=99$ 时，每个修复者的影响只是方向性的；搜索者的隐藏状态改善了校准标签上的成本路由，而切换自己的文本却没有。搜索者的计算为每个任务增加了不到半个 GPU 时间。