從提分到付費：Model Fusion 的需求錯覺

作者：Yiping \& David，IOSG

一、Model Fusion 是什麼？

2026 年 6 月，AI 市場在不到三週內看到了兩款名為 "Fusion" 的產品。

6 月 12 日，OpenRouter 發布 Fusion Router，標題是 Surpassing Frontier Performance with Fusion 。在其 DRACO 深度研究評測中，Fable 5 與 GPT-5.5 組成的模型組拿到 69.0 分，超過 Fable 5 單模型的 65.3 分。OpenRouter 給出的賣點很直接：當單模型不夠好，就讓多個模型回答同一道題，再由評審模型比較、綜合。

6 月 29 日，Cognition 發布 Devin Fusion，標題卻是 Frontier Performance at 35% Lower Cost 。它沒有讓多個模型重複完成整項任務，而是讓前沿模型負責規劃和判斷，把測試、機械修改等工作交給更便宜的 sidekick，並在執行過程中動態切換模型。

同一個詞，指向兩套相反的經濟邏輯。OpenRouter 用更多計算購買更高上限； Cognition 設法減少昂貴計算，同時守住原有質量。 這個反差比任何一張模型排行榜都更能說明問題。模型融合的技術命題確實成立：多次嘗試有機會超過一次嘗試。但市場真正獎勵的不是"模型調用更多"，而是在滿足質量門檻後，誰能更少花錢、更快交付。

▲ 圖 1：同一個月，兩種 Fusion 本文把 Model Fusion 限定為一種較窄的架構：多個模型對同一任務並行作答，評審模型比較結果，最後再由一個模型輸出答案。 Devin Fusion 不屬於這個定義，它更接近動態路由和任務委派。之所以把它放在開頭，是因為市場正在把 "Fusion" 當成所有多模型編排的統稱，而真正有效的產品，往往正在遠離狹義的模型融合。

我們的判斷偏悲觀：Model Fusion 是一份昂貴的質量保險。它能提高某些任務的絕對表現，卻很少能把成本---質量---延遲的效率前沿真正推向外側。 真正值得購買這份保險的任務很少。它會留下來，但更可能成為一個低頻觸發的功能，而不是默認架構，更難成為獨立品類。

二、模型目前有哪些選擇？

討論 Fusion 很容易被帶進準確率排行榜，但企業並不購買排行榜名次。企業購買的是一項任務的合格結果，還要同時計算價格、延遲、隱私和穩定性。只要便宜模型已經

越過業務驗收線，繼續為"更聰明"付費就可能沒有經濟意義。 成本效率才是模型市場真正的主線。

▲ 圖 2：模型智能與單任務成本，橫軸為對數刻度 圖中最值得關注的不是最右上角的最高分，而是偏離價格---能力趨勢的點：它們以更低價格提供了足夠能力，是特定工作負載上的效率 outlier。綜合指數無法直接回答哪個模型最適合代碼審查、中文研究或受監管部署，但它揭示了一個方向：模型供給正在商品化，"最強模型"與"最優選擇"正在分開。

面對同一個質量缺口，市場目前有四種主要买法。

第一種是直接升級到更強的單模型。它最簡單，也最容易審計；只要高端模型的邊際提價低於錯誤或返工成本，這通常仍是首選。第二種是在同一個模型上增加測試時計算，例如延長推理、self-consistency 或多次採樣。第三種是路由、級聯和任務委派：先用便宜模型處理可驗證或機械性的部分，只有遇到困難才升級。第四種才是狹義的 Model Fusion：讓多個模型對同一問題重複作答，再由評審和綜合模型形成最終答案。

這四種方式都能"用更多計算換質量"，區別在於計算花在哪裡。單模型擴展購買更深的推理，路由購買更準確的資源分配，Fusion 則購買更多候選答案。 前三種方法把預算集中在最可能改變結果的環節；Fusion 卻先為重複意見付費，再賭評審模型能從中找出有效差異。候選模型只有帶來足夠多的獨立信息，而且評審能夠識別這些信息，

Fusion 才可能勝過前三種方案。

路由已經證明，模型之間的能力差異首先是一項調度機會。 RouteLLM 在部分評測中把成本降低超過 2 倍而不損失質量；Switchcraft 以 82.9% 的準確率實現 84% 的成本下降，按論文測算，每百萬次請求可節省超過 3,600 美元。結果仍需在企業自己的流量上復現，但經濟邏輯很直接：不必讓多個模型開會，只需把每項任務交給最便宜的合格模型。

這意味著，市場會先用升級、路由和驗證解決質量缺口；只有當這些方法仍然不夠時，才有理由為 Fusion 購買更多候選答案。

三、為什麼提分不等於有價值？

因為 Fusion 必須同時跨過三道門檻：增量質量要覆蓋新增成本與延遲，候選模型要提供獨立信息，評審還要穩定識別更好的答案。 任何一項不成立，分數提升都無法轉化為生產價值。 計算成本：需要增加多少預算和延遲？ Fusion 的提分首先是一筆確定的計算支出。OpenRouter 會並行調用多個 panel 模型，再由評審和綜合模型生成答案。DRACO 的三組對照都提了分：Fable 5 + GPT-5.5 從 65.3 升至 69.0；Opus 4.8 自融合從 58.8 升至 65.5；低成本三模型組從 60.3 升至 64.7。

但 Opus 自融合的提升更大，說明收益可能來自額外搜索和採樣，而非跨模型知識互補 。公平對照應比較相同 token 預算下的 self-consistency、更長推理和強單模型。現有研究也顯示：多智能體在約 20 倍計算量下最多提升 7.1 個百分點；預算相同時，debate 和 Mixture-of-Agents 僅比 self-consistency 高 1.3 和 2.7 個百分點，另一項等 reasoning-token 研究則發現單 agent 持平或更優。不少"協作收益"會在計算帳對齊後消失。

▲ 圖 3：OpenRouter 的基準提升與產品成本 OpenRouter 默認 3 模型 panel 的成本 約為普通生成的 4-5 倍 ，速度慢 2-3 倍 ，但沒有披露各 DRACO 配置的完整 token、成本和延遲，無法判斷 3.7 分提升是否值得。評測也只有 100 個純文本英文任務，Fable 相關配置只完成 93 項；更換評審模型可讓絕對分數移動 10-25 個百分點。它證明了 Fusion 能提分，沒有證明 Fusion 改善了生產 ROI。

選擇性調用只能攤薄成本。按 OpenRouter 披露的區間估算，觸發率為 1% 時，整體成本約為 1.03-1.04 倍；10% 時為 1.30-1.40 倍；25% 時已達 1.75-2.00 倍。

▲ 圖 4：選擇性調用 Fusion 的整體經濟性 最難的請求最可能觸發 Fusion，系統卻必須等待最慢的 panel 成員，再串行完成評審和生成，因此尾延遲集中在最有價值的任務上。多供應商調用還擴大故障面、審計複雜度和隱私暴露。Fusion 的成本不只是 API 價格，也包括等待時間和新增的系統風險。 信息互補：多個模型是否真的提供了不同信息？ Fusion 的價值取決於候選模型是否帶來獨立信息，但不同模型往往共享訓練語料、網頁來源和錯誤前提。研究任務中，這會導致"引用洗白" ：多個模型追溯到同一來源，卻被包裝成多份獨立證據。若系統不保留 claim-level provenance 和搜索路徑，隨著模型數量增加，API 成本幾乎線性上升，證據多樣性卻未必增加。

KAIKAKU.AI 聯合創始人兼 CEO Josef Chen 在 2026 年的論文 When Does Combining Language Models Help? 中研究了 21 家服務商的 67 個模型。開放式數學任務中，所有模型同時答錯的預測概率為 2.3%，實測卻達到 5.2%------約為預測值的 2.3 倍 ；執行評分代碼任務和自由回答版 GPQA-Diamond 的共同失敗率進一步升至 7.9% 和 12.7% 換成 100 道 GPQA-Diamond，大約有 13 道題會讓所有候選模型一起答錯，投票、評審或綜合都無正確答案可選。模型在容易題上的分歧會放大組合價值，而在最需要保險的尾部問題上，它們反而可能一起失手。 判斷可靠性：系統能否識別並合成更好的答案？ 即使候選答案互補，價值仍取決於評審。候選一致時，評審可能把相關錯誤誤認成高置信度；候選分歧時，它又必須具備足夠專業知識才能選對。 綜合模型還可能抹掉關鍵少數意見，或把真實分歧改寫成確定結論。

在代碼任務中，編譯器、測試和靜態分析通常比另一份模型意見更可靠；在創意任務中，評審與綜合又容易把差異壓成平均答案。LitBench 中最強的現成評審模型與人類創意寫作偏好的一致率也只有 73%。當任務已有廉價外部驗證器，或"好"本身依賴主觀判斷時，Fusion 的提分很難轉化為可付費價值。

四、誰會為 Fusion 付費？

Fusion 的需求取決於兩道門檻：任務是否能從多模型中獲益，以及這種收益是否足以形成持續付費。前者是技術問題，後者才是市場問題。 從技術適用到經濟成立 Fusion 把錯誤改對的概率 × 單次錯誤可避免的損失，必須大於新增的 API 成本、延遲、運維複雜度和隱私風險。

基準分數無法回答這道損益題。Fusion 只有在錯誤代價高、候選模型提供互補搜索路徑、缺少更便宜的外部驗證器，而且業務能接受額外延遲和供應商風險時才可能成立；最終結果仍應由人或外部證據確認。

▲ 圖 5：從技術適用到可持續需求 符合這些條件的主要是高價值研究與盡調、架構與安全評審，以及不可逆決策前的"第二意見"。 它們的共同點是約束不完整、遺漏代價高，另一條獨立思路本身就有價值。相反，常規代碼、即時消費應用、高吞吐低毛利工作流，以及能由測試或規則直接驗證的任務，通常不需要 Fusion。 受監管機構也可能因數據邊界和審計要求拒絕多供應商 panel。 從付費意願到可持續需求 技術上有用可以帶來高付費意願，卻不等於可規模化需求。 要形成持續需求，錯誤損失必須可量化，任務要重複發生，組織內要有明確的預算負責人，Fusion 還必須持續勝過人工專家、強單模型和外部驗證。但盡調預算往往流向分析師與可信來源，安全預算流向專業審計，不可逆決策又發生得太少。

因此，我們不看好只做多模型 wrapper、默認運行 panel，或把靜態模型選擇算法當作護城河的公司。連接 API 容易複製，固定策略也會隨模型能力和價格變化迅速失效；如果不知道錯誤值多少、Fusion 實際改對了多少次，就無法為這份保險定價。更可能捕獲價值的是掌握真實結果的一方：網關和 agent 平台、垂直應用、工作流所有者，以及評測和可觀測性產品。它們知道錯誤成本，能觀察結果，也能優化觸發策略。真正難複製的不是 panel 名單，而是判斷何時不調用 Fusion。 市場驗證 公開市場尚不足以判斷 Fusion 的需求規模，但已經能看出它如何被使用。Perplexity Model Council 僅向每月 200 美元的 Max 用戶和 Enterprise Max 用戶開放，用戶在網頁端手動選擇三個模型，用於投資研究、複雜決策和信息驗證；公開用戶案例包括通過 browser automation 將 Model Council 接入股票研究流程。Hermes Mixture of Agents 則把 Fusion 做成 agent 中可選擇的虛擬模型：用戶可以通過 /moa 只升級一個困難問題，也可以在複雜 session 中持續啟用，由多個 reference models 提供分析，再由 aggregator 調用工具並完成任務。Hermes 後來降低默認fan-out 頻率，復用上一輪模型意見以控制成本。這些案例說明，Fusion 的真實需求集中在 research、debugging、review 和重要決策等低頻困難任務，典型使用方式是單模型遇到瓶頸後的主動升級，而不是默認開啟的高頻自動化流程。現有證據證明這種需求存在，但公開信息仍不足以判斷它能否形成獨立、規模化的付費市場。

五、Fusion 的未來

推理價格下降表面上利好 Fusion，但也會同步降低強單模型、路由和外部驗證的成本。Fusion 競爭的不是昨天的一次模型調用，而是不斷改善的下一代單模型與編排基線。

Cognition 的 Devin Fusion 展示了這場競爭的方向：把昂貴模型留給判斷環節，把可驗證、機械性的工作交給更便宜的模型。 廠商自測中，Fusion + Fable 5 的總分從57.0 小幅升至 57.6，平均成本從 5.12 美元降至 3.00 美元；但在公布的 5 個案例中，成本均下降 25%-62%，任務得分卻在 +12 至 -27 之間波動。 邊界清楚、測試充分的 ES6 重構從 98 分升至 100 分；依賴交互理解和隱含需求的 React/Redux 功能被錯誤委派後，則從 54 分跌至 27 分。

▲ 圖 6：Devin Fusion 的任務得分與成本 這些是廠商挑選的案例，不代表總體分布，但指向清楚：未來多模型系統的核心能力不是調用更多模型，而是劃定正確的降級邊界。 可驗證、機械性的任務可以交給便宜模型，判斷密集型任務必須留給前沿模型。OpenRouter 出售"更多智能"，Cognition 出售"同等智能，更低成本"；第二種命題更接近長期方向。系統越接近生產經濟學，就越不像狹義的 Model Fusion，而越像路由、委派和驗證。

7 月下旬，媒體報導稱 Stripe 正洽談以約 100 億美元收購 OpenRouter，交易尚未確認。這個信號不應被解讀為 Fusion 已經獲得市場驗證：OpenRouter 的核心價值並非某一種 panel，而是連接超過 500 萬開發者與 400 多個模型的中立調用層。Stripe 已經為 OpenRouter 提供計費、稅務和風控，並允許開發者通過 Stripe Projects 直接創建賬戶、取得 API key 和接通付款。Stripe 真正可能購買的是 AI 推理的交易入口：OpenRouter 掌握模型選擇、token 用量與成本，Stripe 則處理定價、賬單和支付。 這為前文的價值判斷提供了市場信號：多模型時代的價值更可能留在能夠觀察任務、分配調用並完成結算的 orchestration layer，Fusion 只是其上的一種高成本升級策略。

未來的多模型系統不會默認召集 panel，而會先估計任務難度、驗證成本和錯誤損失；只有當更強單模型、延長推理和外部工具仍不足時，才進入多模型分歧搜索。觸發率、增量成功率和經驗證的單位結果成本，才是有意義的產品指標。Fusion 會作為低頻功能留下，而不是成為默認架構或獨立品類。

六、Sources

• OpenRouter: Surpassing Frontier Performance with Fusion

• OpenRouter Fusion Router documentation

• Cognition: Devin Fusion --- Frontier Performance at 35% Lower Cost

• Microsoft Research: Switchcraft --- AI Model Router for Agentic Tool Calling

• When Does Combining Language Models Help?

• Multi-Agent Reasoning Improves Compute Efficiency

• Single-Agent LLMs Outperform Multi-Agent Systems on Multi-Hop Reasoning Under Equal Thinking Token Budgets

• Mixture-of-Agents Enhances Large Language Model Capabilities

• RouteLLM: Learning to Route LLMs with Preference Data

• LitBench: A Benchmark for Creative-Writing Evaluation

• Artificial Analysis model comparison

• The Price of Progress: Price Performance and the Future of AI

• Perplexity: What is Model Council?

• Perplexity user example: Model Council for financial research

• Hermes Agent: Mixture of Agents documentation

• Stripe powers OpenRouterʼs global AI model access

• Axios: Whatʼs behind Stripeʼs reported OpenRouter move