การรันโมเดลภาษาขนาดเล็ก (SLM) บนอุปกรณ์พกพาหรืออุปกรณ์ Edge มักเจอปัญหาเรื่องความไม่แม่นยำในงานคำนวณหรืองานตรรกศาสตร์ งานวิจัยนี้จึงนำเสนอ 'Neurosymbolic Router' ที่ใช้ในการจำแนกคำถามที่เข้ามา หากเป็นงานที่มีโครงสร้างแน่นอน เช่น คณิตศาสตร์หรือพีชคณิต ระบบจะส่งงานไปยัง Solver เฉพาะทาง (Symbolic Solver) และจะใช้ SLM เฉพาะกับงานที่เป็นภาษาธรรมชาติเท่านั้น
ระบบนี้ถูกทดสอบบน Raspberry Pi 4B โดยใช้กระบวนการเรียนรู้แบบ Deterministic Finite Automaton (DFA) ผลปรากฏว่ามีความแม่นยำในการคัดกรองสูงถึง 100% และความแม่นยำโดยรวม 98.3% ซึ่งสูงกว่าการใช้ AI เพียงอย่างเดียวมาก นอกจากนี้ยังประมวลผลคำสั่งที่ซับซ้อนได้ภายใน 1-11 มิลลิวินาที และประหยัดพลังงานกว่าวิธีการเดิมถึง 2.8 เท่า
