ARIADNE는 단일 백본에 다수의 작업별 어댑터(PEFT)가 연결된 환경에서, 라벨 없는 추론 질의에 가장 적합한 어댑터를 학습 없이 선택하는 라우팅 프레임워크다. 기존 방법은 어댑터 내부(가중치 분해·그래디언트 통계) 접근이나 별도 라우터 학습을 요구해 확장성이 떨어진다. ARIADNE는 각 어댑터를 학습셋 임베딩에서 계산한 센트로이드 집합으로 표현하고, 입력 임베딩 공간에서 센트로이드와의 근접도로 어댑터를 고른다. 라우팅을 입력 임베딩 공간에서만 수행하므로 임의의 PEFT와 호환되고 어댑터·학습 절차 수정이 필요 없다. Llama 3.2 1B Instruct·23개 NLP 작업에서 상한 성능의 97.44%를 회복했고, 44개 작업으로 확장 시 추가 학습 없이 평균 89.7% 선택 정확도를 달성했다.

• •ARIADNE: 학습 불필요·어댑터 불가지론적인 추론시 동적 어댑터 선택 라우팅 프레임워크
• •어댑터 내부 접근·별도 라우터 학습에 의존하던 기존 방법의 확장성 한계 극복
• •각 어댑터를 학습셋 임베딩 센트로이드로 표현, 입력 임베딩 공간 근접도로 선택
• •입력 임베딩 공간에서만 라우팅해 임의 PEFT와 호환, 어댑터·학습 절차 수정 불필요
• •Llama 3.2 1B·23개 작업 상한 97.44% 회복, 44개 작업 확장 시 평균 89.7% 선택 정확도