EcoTab：面向表格推理的成本感知模型路由新框架

EcoTab是面向表格推理的成本感知模型路由新框架，通过区分表格token与文本token的不确定性分布，实现更精准的分步模型路由，在保持推理精度的同时大幅降低成本。该框架来自arXiv论文《Rethinking Stepwise Model Routing: A Cost-Efficient Table Reasoning Perspective》（发布时间2026-05-28，链接http://arxiv.org/abs/2605.29319v1），由论文作者团队提出。

大型推理模型（LRMs）在表格推理任务上表现出色，但推理成本高昂。分步模型路由是潜在解决方案——动态选择小/大模型处理不同难度步骤，但现有方法未考虑表格推理的特殊性（需同时处理自然语言与结构化表格数据），导致路由决策次优。

研究发现表格推理中存在两类token：1.表格token（单元格值、列标题等），不确定性与表格结构复杂度相关；2.文本token（逻辑连接词、推理说明等），不确定性反映语义理解难度。现有方法混为一谈，导致路由次优。

EcoTab的核心创新在于：1.双通道不确定性估计：分别计算表格token（结构操作置信度）与文本token（语义推理置信度）的不确定性；2.风险映射：将两类不确定性转化为下一步失败风险；3.动态路由：根据综合风险分数选择小模型（低风险）或大模型（高风险），避免一刀切。

在WikiTableQuestions、TabFact等基准测试中，EcoTab优于强基线：1.更高准确率（关键步骤调用大模型避免错误累积）；2.更低成本（减少推理token数量）；3.更优的准确率-成本权衡（帕累托改进）。消融实验证明，同时考虑两类token是最优路由的必要条件。

EcoTab对实际场景的价值：1.企业级表格问答系统：保证质量的同时降低成本；2.实时表格分析：减少延迟提升体验；3.资源受限环境：有限算力下运行高质量推理。

EcoTab的局限：1.专门针对表格推理，迁移到其他领域需适配；2.阈值超参数设置影响性能。未来方向：扩展到图/时序数据、自动化阈值学习、结合强化学习优化路由策略。

EcoTab通过识别表格推理中两类token的不确定性差异并分别建模，实现精准路由，在保持高准确率的同时显著降低成本。它为推理效率与成本优化提供了参考框架，启示我们需深入理解任务特性定制优化策略。