一分钟读论文：《强模型掌舵，弱模型盯梢》

Simular 联合威斯康星大学麦迪逊分校（University of Wisconsin–Madison）的论文《LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents》（arXiv 预印本，2026 年 10 月提交）给出了一个省钱又不掉链子的方案：让开源弱模型先干活，按不确定性在合适时机升级给强模型接管；接管后弱模型并不下班，而是转任影子观察者在线盯梢强模型。在 OSWorld 基准（评测桌面任务成功率的基准）上，以 Qwen3.5-35B-A3B 为骨干时，LEASH 任务成功率 73.66%，追平常开 Claude Opus 5 的 72.90%，单任务估算成本（按固定参考价折算 token 用量得出，非真实账单）$0.4117 对 $0.5094，省 19.2%。

三层机制：何时换人，换了之后谁盯着

计算机操作智能体（computer-use agent，能像人一样操作桌面完成任务的智能体）的长任务有个两难：前沿强模型每一步都调用太贵，小开源模型单独执行又做不成事。LEASH 是一套无需训练的三层机制：开局按任务级不确定性早期路由，难任务直接交给强模型；运行中由弱智能体的步级不确定性触发升级交接，把任务移交给强执行器；交接后弱智能体转任影子观察者，继续盯梢强智能体。另有一个强模型担任的 Manager，在开头和子目标边界拆解与验收。

最特别的设计在第三层。论文指出，强模型是拿不到内部状态的黑盒 API，长任务中同样会跑偏、陷入死循环；口头表达的信心也不可靠——这一判断来自论文引述的先前研究（Han et al. 2024）。看不见强模型的心跳，LEASH 就让白盒弱模型在相同的动作 token 位置生成影子表征，用自己的隐状态变化替代看不见的心跳，判断强模型是否还在线上。这套在线盯梢与第 191 期介绍的轨迹裁判的区别一句话说清：裁判是事后打分，影子是运行时干预。

消融实验：钱花在哪一层，各买回多少分

论文最有迁移价值的是同表消融阶梯，把每层花费和回报摊开（Qwen3.5-35B-A3B 骨干，估算成本口径同上）：

• 弱模型独立执行：37.40%
• 加入 Manager 拆解验收：41.15%，估算成本 $0.1372
• 加入不确定性升级：67.94%，估算成本 $0.4050
• 加入影子盯梢：73.66%，估算成本 $0.4117

大头花在该换人时换人：升级机制拉高 26.8 个百分点；影子层再补 5.7 个百分点，成本只多花约 1.7%。跨骨干看，升级差距可回收 75%–102%，成本为常开强模型的 69%–81%。同成本对照下，LEASH 比随机升级高 9.1 个百分点，说明收益来自何时升级的判断，而非多调用强模型；主打配置升级率 64.1%。

低升级率也有收益：Nemotron-3 从 45.04% 升到 66.03%（升级率 43.1%），EvoCUA-8B 从 42.37% 升到 67.18%（升级率 45.4%），4 个开源骨干一致。

值得记下的设计判断

模型路由研究大多在回答什么时候换强模型，LEASH 多回答了一件常被忽略的事：换上去的强模型自己也会迷路。让下班的弱模型在同样的动作位置上用隐状态替强模型把脉，等于给黑盒执行器装了一个低成本在线仪表。这仍是 2026 年 10 月的 arXiv 预印本，结果以 OSWorld 任务成功率为口径，论文未提及平台开源。

References

• LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents
• 一分钟读论文：智能体轨迹裁判