计算机使用智能体面前摆着一道熟悉的选择题：每一步都动前沿模型，效果好但账单好看不起来；全程用小开源模型，便宜但长任务里说崩就崩。「弱打前锋、按需叫强」的升级式架构是当下流行的折中，可难题一直卡在两个字：时机。10 月 15 日提交 arXiv 的《LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents》（编号 2610.22280）把这两个字做成了三层结构，而且不需要训练。
论文七位作者：Qingni Wang、Changdae Oh、Yuzhe Yang、Sharon Li、Jiachen Yang、Ang Li 与 Xin Eric Wang。他们的出发点很直白：判断「何时该叫强的上」，需要一个每一步都查得起的不确定性信号；而即便交了棒，强模型照样可能迷路——可它通常以黑盒 API 形式提供服务，内部状态根本无从监测。
三层缰绳，全部挂在不确定性上
LEASH 的三层分别对应任务的三个时刻。任务开始前，用初始任务不确定性做粗路由：这题看起来就不寻常，一开始就别把担子全压给弱模型。执行过程中，用步级不确定性做运行时升级。交棒之后，还有一个影子观察者继续盯着已经上场的强模型——黑盒看不见内部，那就从外部行为轨迹判断它是否也在打转。
不确定性信号的算法有个巧妙处：拿弱模型的隐状态，与它自己过去的成功轨迹、失败轨迹分别比对，状态更像失败那一边，就判高不确定。关键在于这个估计器直接复用动作生成时已经算出来的激活值——不用额外前向传播，也不用单独训练一个监控模型。整套框架免训练，往现有智能体 loop 外挂即可，这是它区别于多数需要训练路由器的方案的地方。
数字：打平旗舰，省下两成
OSWorld 上、四种当代底座上的测试里，LEASH 全面强过弱模型单干；在升级率对齐的前提下，它比「随机叫强」的基线高出 6.55 到 11.94 个百分点——不确定性确实指对了时刻，不是玄学。更有分量的是那份对旗舰的账单：Qwen3.5-35B-A3B 作前锋底座，任务成功率 73.66%，每任务约 0.4117 美元；全程在场的 Claude Opus 5 是 72.90%。打平，且推理成本降 19.2。
这组数字要连起来读才有意义：它不是「小模型追上了大模型」，而是「知道何时求助的弱模型，追上了全程硬扛的旗舰」。算力经济学里，这等于给每一步动作标了价——多数步骤不配动用前沿模型，少数步骤值得，而难点始终是识别那少数。
放进台谱里看
站点在弱强分工这条线上攒了几篇。1971 的 SpecAgent 让弱模型接地起草、强模型并行预填充审整段，治的是「每步都调大模型」的墙钟与显存浪费；LEASH 不碰分工方式，专攻交棒时机与交棒后的看管，两者可以叠加使用。1962 的 Learning to Steer 训练一个旁路智能体判「何时干预」，路线是学习出来的；LEASH 的不确定性来自隐状态比对，免训练即用，代价是它只覆盖「强弱之间」这一种干预。更早的 1551 与 1027 决策模型线讨论的是路由审查，属于同一家族的不同切面。
对企业采购方，这篇的价值在成本侧：它给「混合部署」提供了一个可复用的判据模板——不用每个项目都重训一套路由器，先量自己任务集上的步级不确定性，再决定哪些步骤值得升档。
几盆该浇的冷水
所有结论都跑在 OSWorld 一个基准上，四座底座、单次对比，没有跨基准平均——换到浏览器操作之外的长任务形态，层级结构是否照搬要重新验证。「打平 Opus 5」是单任务成功率加单任务成本的二维对比，没算延迟、失败重试与人工兜底，真实总拥有成本未必同向。影子观察者盯的是黑盒外部行为，它自己能看住多少，论文给的边界同样有限。
给正在做智能体成本优化的团队一个可直接借用的设计：把「升级决策」与「升级后监督」当成两个独立模块做，前者可以用免费复用的激活先跑起来，后者至少先做到超时与循环检测。别等训好一个完美路由器再上线——LEASH 的论证顺序恰好相反：先有可用的粗信号，再谈精度。