Mode A per-paper synthesis. Target: *Knowing When to Ask for Help: Bayesian
Self-Escalation in Hierarchical LLM Agents*, positioned against eight peers in
the agent category spanning routing, cascades, multi-agent frameworks,
failure taxonomy, and agent serving.
本篇的核心是一个决策理论问题：junior LLM 在生成过程中维护一个关于"自己最终答案是否正确"的在线贝叶斯后验 $B_t$，一旦低于成本推导的阈值就把任务交给 senior 模型
[2608.24087]。这把它放在"LLM 层级/级联/委托"这条主线上，相关篇按与委托决策的距离排序：
[2406.18665]。本篇正是以"route-before 丢掉了生成中累积的信息、route-after 浪费了被丢弃的算力"为出发点
[2608.24087]。两者构成"路由时机"轴的两端。
[2503.13657]。本篇可读作对"no verification / 不知何时终止"这类结构性失败的一个原理化补丁。
[2303.11366]，而本篇是换更强模型。二者都在回答"模型快失败时怎么办"，但补救方向相反（self-improve vs. escalate）。
[2308.00352]，AutoGen 用对话本身当 control plane
[2308.08155]，本篇用 DistillContext 产出的文本制品交接（tokenizer-agnostic）。
[2310.06770]，与本篇"senior 只救回 55.7% 的 junior 失败、44.3% 双败"的 escalation ceiling 同构。
[2502.13965]；两者是算法/系统的互补面。
Delta 1 — 委托决策的时间粒度（本篇最硬的新意）。 RouteLLM 在生成前一次性决定
[2406.18665]；post-hoc selective cascade 在生成后决定；本篇把决策插进 token 流，belief 每 token 以 $O(1)$ 更新、随时可中止
[2608.24087]。实证上这一粒度差带来结构性收益：streaming 在 MBPP 上到 74.7% 准确率只花 0.98× junior 算力，而 post-hoc routing 要 1.41×
[2608.24087]——"一旦 belief 转负就停止付费"。
Delta 2 — 本篇补上了 RouteLLM 明确承认缺失的理论（强互补）。 RouteLLM 的 L2 自陈："没有给出路由 regret 关于 win-predictor 校准误差的上界……论文未建立 calibration"
[2406.18665]。本篇恰好证明了这件事：$\mathrm{Regret}_t \le L\cdot\mathbb{E}|B_t-\hat B_t|$，并以 Brier(而非 ECE) 为正确优化目标
[2608.24087]。可以说本篇是 route-before 级联一直缺的那层决策理论——RouteLLM 的直觉("query 蕴含难度信号")在本篇里被升级为"校准是 binding constraint"的定理。
Delta 3 — 同模型自适应 vs 跨模型升级，但同受 backbone 能力封顶。 Reflexion 靠 verbal credit assignment 改进同一模型，且在弱 backbone(starchat 0.26→0.26) 上完全无增益
[2303.11366]。本篇换强模型，但也撞到对称的墙：confidently-wrong 失败构成 44.3% 不可救赎底板，raw entropy ≠ 校准信念
[2608.24087]。两篇殊途同归地揭示"能力阈值"是 agent 自改进/自升级的共同天花板。
Delta 4 — 交接表示：文本制品 vs 结构化 schema vs 对话。 MetaGPT 的贡献是让下游可稳定解析的结构化文档契约
[2308.00352]，AutoGen 是把 control flow 隐式诱导进 auto-reply 原语
[2308.08155]。本篇刻意只传文本（partial trace / scratchpad / tool log），因为 junior 与 senior 架构/tokenizer/KV 布局可能不同，senior 无法吃 hidden states
[2608.24087]。这是"异构模型级联"相较"同框架多 agent"的本质约束，也是本篇 model-agnostic 卖点的来源。
Increment 而非颠覆之处。 本篇的 belief filter 是 running log-odds 和、schedule 是教科书 backward induction——机制本身不新（SPRT/optimal stopping 的既有积木）；真正的 increment 是把这些积木第一次为 LLM 层级显式组装并配上校准-regret 归约
针对本篇具体主张的对抗性反驳：
攻击点 A — 理论中心被实证绕过。 §4-§5 的全部重头戏（option value、DP optimal-stopping schedule、threshold 非单调性）在真实模型上根本没被测：§8 只跑了 constant threshold，option-value 机制 "not exercised empirically"
[2608.24087]。换言之 optimal-stopping 相对 best constant threshold 的经验增益是 0。那套精致理论目前只在"已知 ground truth 的仿真"里兑现——一旦真实信号非平稳，Lemma 1 的精确 filter 退化为近似，优越性未被证实。
攻击点 B — 部署面严格窄于 RouteLLM。 本篇要求 token-level logit access，许多托管 API 根本不暴露；而 RouteLLM 只需 query 文本即可对任意黑箱模型路由
[2406.18665]。所以在"GPT-4 / Claude 黑箱对黑箱"的真实级联场景，本篇不可用而 RouteLLM 可用。宣称的 model-agnostic 只在 self-hosted / logprob-exposing 端点成立。
攻击点 C — 信号在难任务上可能近乎无信息。 真实模型 AUROC 仅 0.758，且在 25–55% 生成带一度塌陷/反转
[2608.24087]。MBPP 是相对简单的自包含代码；放到 SWE-bench 那种 oracle 检索也只 4.8%、"shallow greedy single-file edit" 主导的任务上
[2310.06770]，junior 的不确定性信号对"自己是否解对一个跨文件 bug"很可能接近随机——posterior 越不可校准，Proposition 3 的 regret 越大，方法越失效。本篇的证据来自信号最友好的一端。
攻击点 D — senior $q$ 常数假设与现实冲突。 本篇把 senior 成功率 $q$ 设为常数，但自陈 difficulty-conditioned $q(x)$ 才对
[2608.24087]。SWE-bench 的 44.3% 双败底板与本篇 escalation ceiling 都表明 senior 成功与 query 难度强相关——恰恰在最该升级的难 query 上 senior 也最可能失败，使 escalate 的期望收益被高估。
攻击点 E — 交接本身是新的失败面。 DistillContext 把 15k 行推理压成文本制品，这正是 MAST 里 FM-2.4(information withholding)/FM-1.4(history loss) 的温床
[2503.13657]。本篇把 escalation 当"干净的一次性 terminal transition"，但引入一个跨模型交接等于引入一次 inter-agent misalignment 机会，而论文未评估 distillation 的信息损耗对 senior 成功率的影响——$\gamma$ 只记了 re-reading 的 token 成本，没记语义损耗成本。
它不是系统/框架，而是级联缺失的决策理论层。 MetaGPT/AutoGen 是可运行的多 agent 框架
[2308.08155]，RouteLLM 是可部署的路由器
[2406.18665]，而本篇是坐落在这些系统下面的一层分析——回答"委托决策的最优结构是什么、被什么 bound"。它与 Autellix 形成对称：Autellix 是"不碰 agent 决策的 serving 层"
[2502.13965]，本篇是"不碰 serving 的决策层"。
范式定位：在"路由时机"轴上开了第三个点。 route-before(RouteLLM) 与 route-after(post-hoc cascade) 之外，本篇确立 route-during 作为独立且 Pareto 占优的操作点
[2608.24087]。这不是换更强的分类器，而是换决策的时间粒度——范式转变发生在"granularity of the delegation decision"，而非模型或特征。
在多 agent 分类学里是一个空格。 LLM-MA survey 的 capability-acquisition 轴（feedback source × adjustment strategy）
[2402.01680]里，"以自我不确定性为 feedback、以 escalate-to-stronger 为 adjustment"是一条此前几乎未被形式化的路径；本篇把这一格从工程启发式提升为可证伪的理论。
采纳证据偏弱。 单作者、预注册协议、开源代码(github.com/nadeem-shaikh/llm-self-escalation + Zenodo)，但真实验证只确认 3 个预注册预测中的 2 个，且限于一个 benchmark / 一对模型 / greedy / 单 seed
[2608.24087]。本篇自我定位更像"把一个经验问题做成可测试假设"的 position paper，而非已部署系统——生态位是理论种子，待他人在更广 setting 里证伪或兑现。
[2406.18665]，再用本篇的 mid-generation posterior 捕捉"预路由没料到的中途翻车"。这把 route-before 的零 junior 浪费与 route-during 的信息利用结合，cluster 里两端各自的短板正好互补。
[2310.06770]拟合成 senior 成功模型 $q(x)$，替换本篇的常数 $q$——在双败概率高的难 query 上自动抑制无谓 escalate，直接消解攻击点 D。
[2303.11366]作为第四路特征喂进 posterior，让"模型能说清自己哪步可能错"成为比 entropy 更校准的证据流。
[2502.13965]。本篇的"abort 省下的 token ≈ senior 开销"这一 0.98× 抵消，在真实多 program 负载下能否保持，需要 serving 层的联合评估。
[2503.13657]缺的正是一个有原理的"我该停了吗"信号。本篇的 $B_t$ 是现成候选：当 belief 稳定高于阈值即可安全终止，低于则触发 verification/escalation——把单 junior 的二元决策推广到多 agent 的结构化终止。