Classifiers(分类器)是机器学习中用于将输入数据划归到预定义类别的一类模型,也是大模型应用中承担路由、审核、意图识别等任务的基础组件。从传统方法如朴素贝叶斯、支持向量机、随机森林,到基于 LLM 微调的文本分类器,再到量子分类器等前沿方向,这一领域的应用边界仍在持续扩展。
Classifiers 近期进展
当前焦点与观察点
当前对 Classifiers 的讨论集中在三条线上:一是工程侧,OpenRouter 等平台把分类器做成路由和请求分发的通用组件,让 LLM 应用的成本与质量优化更多依赖轻量分类而非全量大模型推理;二是可解释性与公平性,如 Bayesian Learning to Select Fair Classifiers 探讨在不确定性下选择公平分类器的方法,CRANE: Post-Hoc Counterfactual Retrieval for Multimodal Classifiers 则通过反事实检索解释多模态分类器;三是前沿与可靠性,包括自适应分类器与漂移检测器的博弈(The Blind Spot Paradox,以及 UCR 时间序列基准对分类器提出的真实挑战。对开发者和研究者而言,值得观察的是:LLM 驱动的分类器是否会取代传统机器学习分类器成为主流,以及“灰色地带”主观分类任务的可靠性如何通过审议机制获得保证。