在当前大语言模型（LLM）的发展浪潮中，如何有效整合多个垂直领域的专家模型以实现协同效应，已成为行业研究的焦点。传统的协同方法通常面临难以调和的权衡：路由机制（Routing）往往过早地做出单向选择，缺乏生成过程中的动态自适应能力；启发式集成学习（Ensembling）则极度依赖脆弱的代理指标；而参数合并（Parameter Merging）则容易引入参数干扰，损害模型原有的专业能力。
针对这一痛点，科研人员提出了一种名为 DLLG（Dynamic Logit-Level Gating，动态对数概率级门控）的全新动态集成框架。该框架能够从稀疏的响应级监督（Response-Level Supervision）信号中，自动学习 Token 级别的专家融合策略。其核心在于一个轻量级的门控模块（Gating Module），该模块可以在每个生成步骤中动态预测融合权重，将整个生成轨迹的正确性与即时生成紧密关联，而无需高成本的 Token 级标签，也无需对专家模型进行重新训练。
实验结果表明，在多样化的推理和代码基准测试中，DLLG 在各种模型尺度上均一致优于现有的强路由算法、启发式集成以及参数合并基准线。这表明，基于机器学习的 Logit 级别融合是一种极具扩展性且鲁棒性极强的专家整合新范式。
从 AI Agent 生态演进的视角来看，DLLG 的提出填补了“静态路由”与“硬性合并”之间的技术空白。传统的 Multi-Agent 协作往往依赖于上层编排器进行硬路由，这不仅带来了高昂的延迟，还割裂了不同模型在同一任务不同生成阶段的优势互补。DLLG 巧妙地将融合维度下沉至 Logit 级别，实现了真正的“动态混合专家”（Inference-time MoE）。这种非侵入式的融合方式，允许开发者自由组合开源生态中的异构微调模型（如专精 Code 的模型与专精 Math 的模型），在运行时根据实时生成的上下文动态分配话语权。随着 Agent 任务向长文本、复杂推理方向发展，这种基于 Logit 级别的轻量级动态网关，将成为构建高自适应性、低延迟的多智能体协同网络的关键底层范式。
