AI 모델 허브는 빠르게 성장하는 강력한 사전 학습된 모델(pre-trained models) 컬렉션에 대한 접근을 제공하며, 다양한 라우팅 전략을 가진 즉시 사용 가능한 전문가 혼합 (mixture-of-experts) 시스템을 가능하게 합니다. 그러나 이러한 급격한 성장은 두 가지 근본적인 과제를 제기합니다: 수천 명의 전문가(experts)에 걸친 모델 선택의 확장성 문제와, 새로운 모델 및 작업이 도입됨에 따라 라우팅 메커니즘을 지속적으로 업데이트해야 하는 문제입니다. 본 논문에서는 이 설정을 지속적 모델 라우팅 (Continual Model Routing, CMR)으로 공식화하고, 현실적인 허브 확장을 시뮬레이션하며 2,000개 이상의 후보 모델을 포함하는 새로운 대규모 벤치마크인 CMRBench를 제안합니다. 마지막으로, 체크포인트 기반 앵커링 (checkpoint-based anchoring) 및 구조적 재생 (structured replay)을 통해 효율적인 지속적 모델 라우팅을 수행하는 대조적 임베딩 (contrastive embedding) 접근 방식인 CARvE를 소개합니다. 광범위한 실증적 결과 및 절제 연구 (ablations)를 통해 CARvE가 모델, 제품군(family), 그리고 도메인 수준의 정확도 측면에서 제로샷 검색 (zero-shot retrieval), 미세 조정 (fine-tuning), 어댑터 병합 (adapter-merging) 베이스라인보다 크게 우수함을 보여줍니다.