TL;DR

本文核心观点：

  1. Risa 把 MoE 路由器当零成本裁判 — 长轨迹 coding agent 重复采样时，原生 router trace 本身携带行为角色信号，无需外部 judge、无需跑测试即可仲裁
  2. 核心机制是「信息位路由一致度」 — 轨迹间选最终 patch 不是靠多数投票或文本共识，而是看哪个 patch 的路由模式更一致
  3. 本质是 test-time scaling 的「结构派」打法 — 不是砸更多 token 做 uniform sampling，而是用结构信息指导采样聚焦
  4. 局限：依赖成熟 MoE 模型的行为信号积累 — 对预训练阶段已在大量采样的模型成立，从头训练是废话

背景：test-time scaling 的两条路

要让 coding agent 解决更复杂的问题，有两条主要路线：

路线一：scale up——更大模型、更多参数、更强泛化能力。这是大家最熟悉的路。

路线二：test-time scaling——在推理阶段投入更多计算资源，比如多次采样、树搜索、蒙特卡洛模拟。核心思路是「用更多推理换取答案质量」。

SWE-bench 为主的公开基准上，test-time scaling 的主流打法是 uniform sampling：同一个问题跑 N 次，取多数投票或选取文本最一致的 patch。

但这条路的局限也很明显：

  • N 次采样消耗的是 token budget，每次采样都与问题无关的推理消耗
  • 文本共识（取最一致的 patch）容易出现「false consensus」：两个都错的 patch 恰好文本相似
  • 外部 judge 需要额外的测试执行环境，不是零成本的

Risa（arXiv:2608.22960）走的是第三条路：结构派 test-time scaling。

Risa 的核心洞察：MoE 路由器携带行为信号

Risa 的起点是一个被忽视的观察：

在 MoE（Mixture of Experts）架构中，路由器的决策轨迹——哪个 token 去了哪个 expert、路由器的偏好分布——不仅仅是一个中间计算值，它携带了行为信息。

具体来说：当 coding agent 在同一个问题上做多次采样时，每一次采样都经过 MoE 路由器。路由器在大量采样中积累的路由偏好，隐含地反映了「哪个 patch 更可能对」的信息。

这不是模型的文本层面的一致性，而是路由决策层面的一致性。

两层机制

Risa 在两层上使用路由信号：

轨迹内：路由引导探索/收敛

在单条轨迹内部，路由器信号可以用于：

  • 鼓励探索：当路由分布熵高时，说明模型还没确定，采样可以更激进
  • 受控收敛：当路由分布熵低且置信时，采样可以更保守，聚焦在已验证的方向上

这相当于在同一条轨迹里动态调整采样策略，而不是从头到尾用同一个温度参数。

轨迹间：信息位路由一致度选最终 patch

在多条轨迹之间，Risa 用「信息位路由一致度」来选最终 patch。

具体逻辑：

  1. 对同一个问题，采样 N 条轨迹
  2. 每条轨迹的 patch 都有一个对应的路由器决策序列（expert 选择分布）
  3. 计算轨迹两两之间的路由一致度（不是文本相似度，而是路由决策的相似度）
  4. 选路由一致度最高的 patch 作为最终输出

这比文本共识更鲁棒——两个语义相似但实现细节不同的 patch，文本相似度高但路由可能差异很大，反之亦然。

实验结果与可迁移性

Risa 在 SWE-bench 类任务上验证了有效性：

  • gpt-oss 宏均解决率：44.9% → 48.2%（+3.3pp）
  • Qwen3.6 验证了跨模型可迁移性——路由器信号仲裁不依赖特定模型家族

3.3pp 在 SWE-bench 的语境里不算小。SWE-bench 是一个相对饱和的基准，能往上走 1pp 都是有效提升。

为什么说这是「零成本裁判」

外部 judge 的成本：

  • 需要准备测试环境
  • 每次裁决都要跑测试
  • 测试本身可能有假阳性/假阴性

路由一致度裁决的成本：

  • 路由器 trace 是模型推理时自然产生的，不需要额外计算
  • 不需要执行测试
  • 路由信号是模型内部行为表征，不依赖外部标注

「零成本」指的是不需要引入额外的推理过程或外部依赖，但路由器 trace 本身的存储和计算是已有的，不是额外开销。

局限与前提

Risa 最大的局限在于前提条件：MoE 路由器积累了足够的行为信号。

这对于预训练阶段就在大量采样的成熟模型成立——比如 gpt-oss 系列。但对于：

  • 从头训练的模型（路由器没有足够的采样历史）
  • 小规模 MoE 模型（路由器信号太稀疏）
  • dense model（没有路由器）

这个方案是废话。Risa 的论文也坦承了这一点。

另一个局限是：路由一致度高的 patch 是否真的更好，需要在更多基准上验证。SWE-bench 的任务类型分布未必能代表所有 coding 场景。

对 test-time scaling 赛道的意义

test-time scaling 目前有两条成熟路线：

  • 暴力路线：uniform sampling + 文本共识，依赖更多 token 投入
  • 结构路线：用额外信号（代码执行结果、形式化验证、路由器 trace）指导采样聚焦

Risa 是结构路线的最新代表。它的价值不在于超越了暴力路线，而在于开辟了一个新的信号维度——模型内部行为信号，此前被忽视的路由器决策轨迹。

这个方向的下一步值得关注：路由器信号之外，还有没有其他被忽视的内部信号可以用于 test-time 仲裁？

写在最后

「用更多推理换取答案质量」这件事，核心问题不是「多少」，而是「什么」。Risa 回答的是：用路由决策的一致性，而不是文本的相似度。

这个信号维度此前被忽视了，因为它不在模型的输出层面，而在模型的「决策过程」层面。Risa 把它挖出来，用作零成本仲裁。

这可能是未来 test-time scaling 的一个重要分支——不是让模型想得更久，而是让模型想得更结构化。

论文链接：https://arxiv.org/abs/2608.22960

AI-Native Engineering 系列 深度阅读时间：约 10 分钟