每次國(guó)產(chǎn)AI模型發(fā)布之時(shí)，人們總是說(shuō)，國(guó)模即將崛起，追趕Anthropic指日可待。然而現(xiàn)實(shí)總是在反復(fù)打臉，模型之間的差距不僅越來(lái)越大，若是翻開(kāi)GitHub上各種排行榜，有一個(gè)橙色頭像的作者已經(jīng)幾乎隨處可見(jiàn)。

然而，主動(dòng)使用也好，不得不用也罷，隨著AI開(kāi)始擺脫實(shí)驗(yàn)室走向企業(yè)級(jí)生產(chǎn)環(huán)境，一種深刻的商業(yè)現(xiàn)實(shí)已經(jīng)顯現(xiàn)：最聰明的模型，一定是最貴的模型。Fable和GPT固然好，但每天24小時(shí)無(wú)間斷使用，誰(shuí)也用不起。值此之際，人們似乎又看到了國(guó)產(chǎn)模型的一線生機(jī)。

要想真正利用AI發(fā)揮生產(chǎn)力，并使其產(chǎn)出的產(chǎn)品具備可落地的商業(yè)價(jià)值，單一的前沿旗艦?zāi)Ｐ驼媾R嚴(yán)峻的ROI拷問(wèn)。

與此同時(shí)，能力略遜一籌但具備價(jià)格優(yōu)勢(shì)的國(guó)產(chǎn)模型，急需撕掉“玩具”的刻板標(biāo)簽。

而更深層次的沖突在于：大模型廠商正試圖構(gòu)建封閉的智能體生態(tài)建立壟斷，而企業(yè)用戶和中立第三方則在拼命尋求生態(tài)的開(kāi)放與解耦。

因此，本文將從多模型動(dòng)態(tài)路由（Fusion）和智能體元框架（Omnigent）這兩種全新的工程范式來(lái)解析這個(gè)技術(shù)與商業(yè)交織的復(fù)雜圖景，將AI產(chǎn)業(yè)正在經(jīng)歷的一場(chǎng)從“算力霸權(quán)”向“架構(gòu)分權(quán)”的歷史性演進(jìn)公之于眾。

01

算力成本陷阱與真?zhèn)涡枨?/strong>

在討論國(guó)際模型與國(guó)產(chǎn)模型到底該怎么用之前，人們首先應(yīng)該理解一個(gè)核心的AI經(jīng)濟(jì)學(xué)前提：token是一種智能決定價(jià)值的計(jì)算資源。

此前出現(xiàn)的桌面端AI代理，通過(guò)接管用戶電腦來(lái)執(zhí)行任務(wù)，雖然結(jié)果令人失望，但仍然揭示了一個(gè)現(xiàn)象：許多個(gè)人和企業(yè)用戶，都處于“不知道如何規(guī)?；?/strong>token產(chǎn)生價(jià)值”的困境。

通過(guò)不完善的底層結(jié)構(gòu)進(jìn)行低效的任務(wù)窮舉來(lái)消耗token，創(chuàng)造出來(lái)的必然是偽需求。這一點(diǎn)，三個(gè)月來(lái)各種代理的默默無(wú)聞已經(jīng)足以驗(yàn)證。想讓企業(yè)愿意用真金白銀買單，就絕對(duì)不能為了消耗算力而消耗算力，必須用最小的算力成本撬動(dòng)最大的任務(wù)閉環(huán)。

這就是擺在所有人面前、當(dāng)前單一前沿模型面臨的算力成本陷阱。

像是深度行業(yè)研究、數(shù)萬(wàn)行代碼的重構(gòu)，任何一項(xiàng)復(fù)雜的商業(yè)任務(wù)，其難度都呈現(xiàn)出典型的長(zhǎng)尾分布。

其中，可能只有很少的環(huán)節(jié)需要Fable 5這種極致智商的模型出馬，而剩下的大部分環(huán)節(jié)，只需要極其基礎(chǔ)的邏輯能力。像是網(wǎng)頁(yè)內(nèi)容抓取、基礎(chǔ)代碼翻譯、格式化JSON輸出、后期檢查校對(duì)，殺雞焉用牛刀。

如果用御三家的旗艦?zāi)Ｐ腿グ鼣埶腥蝿?wù)流程，無(wú)異于大炮打蚊子，而高昂的成本也會(huì)讓任何試圖商業(yè)化的SaaS產(chǎn)品在經(jīng)濟(jì)模型上面臨破產(chǎn)。

這種性能與成本之間的巨大撕裂，正是當(dāng)前AI應(yīng)用難以跨越試用期到“深水區(qū)”的根本原因之一。要解決這個(gè)矛盾，只靠等待前沿模型打價(jià)格戰(zhàn)恐怕已經(jīng)是無(wú)稽之談。因此，必須采用一種全新的系統(tǒng)工程思路：按難度與需求進(jìn)行任務(wù)分配。

02

Fusion機(jī)制與國(guó)模的“非對(duì)稱競(jìng)爭(zhēng)”

國(guó)產(chǎn)模型的出路在哪？

這個(gè)問(wèn)題，無(wú)論是AI的圈內(nèi)還是圈外人士都有所關(guān)注。

針對(duì)這個(gè)尖銳的問(wèn)題，傳統(tǒng)的回答往往是在特定垂直領(lǐng)域用私有數(shù)據(jù)微調(diào)，但效果并不顯著，因?yàn)樗⑽从|及系統(tǒng)架構(gòu)的本質(zhì)。當(dāng)下更直接的解法，是用極致的性價(jià)比來(lái)?yè)屨肌皣?guó)產(chǎn)替代”的定位，這也是OpenRouter推出Fusion技術(shù)作為破局之道的本質(zhì)。

Fusion技術(shù)，即多模型動(dòng)態(tài)路由與合成，核心邏輯非常簡(jiǎn)單但有效：將一個(gè)復(fù)雜問(wèn)題并行分發(fā)給多個(gè)不同的模型，然后由一個(gè)評(píng)判模型將各方結(jié)果進(jìn)行融合。

用一個(gè)程序員圈子里的使用方法舉例：讓GPT-5.5和Opus 4.8寫程序架構(gòu)，讓DeepSeek V4 Pro寫具體代碼。

太過(guò)簡(jiǎn)單的思路反而讓人有些懷疑，就憑借這種“小伎倆”就能給國(guó)產(chǎn)模型帶來(lái)出路嗎？

在DRACO深度研究基準(zhǔn)測(cè)試中，一個(gè)令人信服的數(shù)據(jù)打消了懷疑：由Gemini 3 Flash、Kimi K2.6和DeepSeek V4 Pro組成的“預(yù)算型模型組”，不僅擊敗了單一的GPT-5.5，得分還逼近了頂級(jí)的前沿模型組合，而成本僅為其50%。

組合里三個(gè)模型中，有兩個(gè)性能與GPT-5.5存在明顯差距的國(guó)產(chǎn)模型。然而，它們卻給出了國(guó)產(chǎn)模型最現(xiàn)實(shí)也最具有商業(yè)價(jià)值的破局路徑：成為強(qiáng)大異構(gòu)系統(tǒng)中最具性價(jià)比的“四肢”和“感官”。

與各式各樣的桌面端代理創(chuàng)造出來(lái)的偽需求相反，在真金白銀的商業(yè)考量面前，Anthropic和OpenAI的定價(jià)使得“智能分配”成為了絕大部分用戶和企業(yè)的剛需。

我們已經(jīng)知道，多Agent協(xié)作是AI的必然趨勢(shì)，而在企業(yè)級(jí)Agent架構(gòu)中，也不應(yīng)該是一個(gè)強(qiáng)大的模型單打獨(dú)斗，這就是所謂的“混合智能體架構(gòu)（MoA）”，由兩部分組成：

一是調(diào)度與評(píng)判的“大腦”：占據(jù)不到一半的token份額，由Anthropic和OpenAI的旗艦?zāi)Ｐ蛽?dān)任，負(fù)責(zé)最終的共識(shí)提取、矛盾分析和復(fù)雜推理。

二是執(zhí)行與干活的“主力”：占用超過(guò)一半的token份額，由DeepSeek、GLM、Kimi等國(guó)產(chǎn)或開(kāi)源模型擔(dān)任，負(fù)責(zé)海量文檔閱讀、大規(guī)模網(wǎng)頁(yè)并行搜索和基礎(chǔ)代碼編寫。

這只是理想情況，具體的token分配還是因任務(wù)難度而異。但重要的是，通過(guò)這種“高低搭配”，國(guó)產(chǎn)模型就不需要在所有維度上硬剛御三家，尤其是極限推理這種受硬件算力影響極為嚴(yán)重的領(lǐng)域。

只要能在長(zhǎng)文本處理、基礎(chǔ)代碼生成或特定語(yǔ)言理解等領(lǐng)域達(dá)到及格線以上，并維持極具競(jìng)爭(zhēng)力的API或訂閱服務(wù)定價(jià)，就能在這套多模型路由系統(tǒng)中占據(jù)不可或缺的地位，進(jìn)而獲得更為龐大的訂閱量。

如此一來(lái)，國(guó)產(chǎn)模型的定位就會(huì)有所變化：從前沿模型的“國(guó)產(chǎn)替代”，轉(zhuǎn)變?yōu)榍把啬Ｐ偷摹八懔Ω軛U”。

融入這種多模型協(xié)作的生態(tài)，國(guó)產(chǎn)模型也就正式告別了單一測(cè)試集上的跑分游戲，并作為基礎(chǔ)設(shè)施的底層齒輪，真正進(jìn)入全球企業(yè)的生產(chǎn)流轉(zhuǎn)之中。

03

主場(chǎng)優(yōu)勢(shì)與生態(tài)封閉

Fusion這種按需分配的架構(gòu)是企業(yè)用戶和個(gè)人用戶都?jí)裘乱郧蟮?，但?duì)于提供大模型的科技巨頭來(lái)說(shuō)，這無(wú)疑是在削弱其利潤(rùn)和控制力。

這就引出了當(dāng)前行業(yè)的另一個(gè)明顯趨勢(shì)：智能體時(shí)代的“主場(chǎng)優(yōu)勢(shì)”構(gòu)建。

觀察近期的產(chǎn)品發(fā)布：國(guó)外，Anthropic與OpenAI分庭抗禮，Claude Code與Codex針?shù)h相對(duì)；國(guó)內(nèi)，前有小米MiMo Code加強(qiáng)對(duì)MiMo的綁定，后有智譜更新ZCode 3.0專情于GLM。

這種模型與調(diào)用環(huán)境（IDE/CLI）的強(qiáng)綁定，不僅是出于商業(yè)排他性的本能，背后也有著深刻的工程邏輯與戰(zhàn)略企圖。

從工程邏輯的角度來(lái)看，這是在用環(huán)境掩蓋模型缺陷。

模型與智能體環(huán)境的關(guān)系，正如編程語(yǔ)言與IDE的關(guān)系。任何一個(gè)通用大模型都有其獨(dú)特的失效模式（Failure Modes）。

當(dāng)Anthropic構(gòu)建Claude Code時(shí)，除了開(kāi)發(fā)一個(gè)命令行工具，還要在底層硬編碼海量專門針對(duì)Claude優(yōu)化的隱藏系統(tǒng)提示詞、錯(cuò)誤重試邏輯以及特定的工具調(diào)用格式。

若是在一個(gè)外部通用的智能體框架中，Anthropic的模型可能會(huì)因?yàn)檩敵龈袷讲粯?biāo)準(zhǔn)等意外錯(cuò)誤而導(dǎo)致任務(wù)失??；但回到其專屬的主場(chǎng)，IDE或CLI就能在后臺(tái)靜默糾正這些錯(cuò)誤。這種主場(chǎng)優(yōu)勢(shì)，能讓模型在指定環(huán)境中表現(xiàn)得異常順滑，從而給用戶一種“模型絕對(duì)領(lǐng)先”的錯(cuò)覺(jué)。

從戰(zhàn)略企圖的角度來(lái)看，這是要建立難以掙脫的供應(yīng)商“鎖定”。

從Prompt，到Skills，再到Harness，都充分說(shuō)明了記憶和環(huán)境的重要性。一旦用戶習(xí)慣了在特定的智能體框架中工作，大量積累的上下文、自定義配置和工作流都會(huì)讓他們無(wú)法輕易離開(kāi)底層的模型。

單純的API價(jià)格戰(zhàn)只能解決一時(shí)的問(wèn)題，而極致打磨過(guò)的封閉智能體環(huán)境意味著能將模型能力升級(jí)為產(chǎn)品體驗(yàn)。

這就是Anthropic的成功秘訣：當(dāng)企業(yè)中程序員的核心業(yè)務(wù)流被固化在某個(gè)專屬的智能體中，哪怕OpenAI推出了新的一款讓Altman“看到原子彈、癱倒在地”的模型，亦或是DeepSeek和小米推出了便宜十倍甚至百倍的模型，企業(yè)也無(wú)法做到一鍵切換，因?yàn)楣ぷ髁魇遣患嫒莸摹?/p>

這種封閉的孤島策略，就是巨頭們抵御Fusion這種多模型路由技術(shù)和開(kāi)源平替沖擊的最強(qiáng)護(hù)城河。

04

元框架的崛起與第三方的反擊

應(yīng)對(duì)開(kāi)源技術(shù)，巨頭們尚有余力，但多Agent協(xié)作的潮流終歸不可抵擋。當(dāng)企業(yè)發(fā)現(xiàn)自己被迫在好幾個(gè)互不兼容的智能體孤島之間復(fù)制粘貼，并且因?yàn)闊o(wú)法切換底層模型而不得不承擔(dān)高昂成本時(shí)，基礎(chǔ)設(shè)施層的革命就不可避免地爆發(fā)了。

這就是Databricks開(kāi)源Omnigent的歷史背景。Databricks給Omnigent定位為“元框架（Meta-Harness）”，一個(gè)比單一智能體更高維度的抽象層。

回顧計(jì)算機(jī)科學(xué)史，最大的躍遷往往來(lái)自于新的抽象層。當(dāng)工程師們苦于同時(shí)管理數(shù)十個(gè)不同的服務(wù)器時(shí)，Google開(kāi)發(fā)的Kubernetes橫空出世，將底層硬件抽象為統(tǒng)一的資源池。而如今的AI行業(yè)正處于完全相同的節(jié)點(diǎn)，各個(gè)智能體及其框架（Harness），就是那些難以完全兼容的服務(wù)器。

Omnigent的核心價(jià)值，就在于剝奪巨頭們的主場(chǎng)優(yōu)勢(shì)，將控制權(quán)交還給用戶。它通過(guò)構(gòu)建統(tǒng)一的API，實(shí)現(xiàn)了三種顛覆性的功能：

首先是類似“一鍵熱插拔”的組合性。

用戶可以在一個(gè)統(tǒng)一的工作流中，用僅僅一行代碼將負(fù)責(zé)邏輯的節(jié)點(diǎn)從Claude切換為其他自定義模型，或是在一個(gè)項(xiàng)目中同時(shí)調(diào)用Codex和多個(gè)自建智能體，直接瓦解了巨頭們的供應(yīng)商鎖定（Vendor Lock-in）策略。

然后是兼顧安全與成本的絕對(duì)策略控制。

在封閉的生態(tài)中，模型能不能用、能怎么用、能用多久完全由巨頭們的黑箱定義。但在元框架中，用戶可以自由設(shè)置硬性上限，例如當(dāng)某個(gè)會(huì)話的token消耗達(dá)到100美元時(shí)立刻凍結(jié)并請(qǐng)求人工確認(rèn)，而無(wú)需去每個(gè)AI供應(yīng)商那里查詢消耗量。

由于控制層上浮到了元框架，即使底層使用不同的模型，企業(yè)用戶最重視的安全審查和成本策略也能得到統(tǒng)一執(zhí)行。

最后是消除上下文的孤島。

會(huì)話狀態(tài)不再留存于某一家廠商的服務(wù)器上，而是由中立的元框架接管。無(wú)論是人機(jī)協(xié)作還是多Agent協(xié)作，都會(huì)擁有一個(gè)統(tǒng)一的工作臺(tái)。

也因此，無(wú)論是Fusion技術(shù)還是Omnigent框架，這些工具都必須也只能出自第三方。

正如前面所說(shuō)，Anthropic、OpenAI以及一眾國(guó)產(chǎn)AI廠商都存在嚴(yán)重的資本導(dǎo)向偏向性。只要不是自家模型實(shí)在拿不出手，它們就絕對(duì)不可能推出一個(gè)框架來(lái)允許企業(yè)和個(gè)人用戶將任務(wù)無(wú)縫分發(fā)給競(jìng)爭(zhēng)對(duì)手以節(jié)省成本。

Fusion誕生于OpenRouter，一個(gè)中立的模型聚合API平臺(tái)；Omnigent誕生于Databricks，一家以“數(shù)據(jù)多云中立”為核心戰(zhàn)略的底層基礎(chǔ)設(shè)施供應(yīng)商。只有與特定模型徹底解綁的第三方，才有動(dòng)力去打造這種打破壁壘的工具。

這就代表了廣大企業(yè)開(kāi)發(fā)者最核心的利益：AI應(yīng)該是一種可商品化、可替代的計(jì)算資源，而不是一種被巨頭裹挾的特權(quán)。

05

重塑AI智能體的價(jià)值鏈

過(guò)去的三年，全球的人們都處于“模型中心主義”階段，所有人都在尋找那個(gè)能解決一切問(wèn)題的全知全能的神。

但現(xiàn)實(shí)已經(jīng)告訴我們，F(xiàn)able 5做不到，GPT-5.5做不到，DeepSeek V4 Pro也做不到，我們只能進(jìn)入“架構(gòu)中心主義”階段。

在這個(gè)新的階段中，單一模型或單一智能體的封閉玩法注定會(huì)被邊緣化。而未來(lái)的企業(yè)級(jí)AI生產(chǎn)力系統(tǒng)，必將呈現(xiàn)出高度分化的層級(jí)結(jié)構(gòu)：

在最底層，即算力執(zhí)行層，國(guó)產(chǎn)模型將憑借極致的性價(jià)比承接下大量的基礎(chǔ)“搬磚”工作，徹底擺脫玩具的命運(yùn)，成為不可或缺的基石。

在中間層，即認(rèn)知評(píng)判層，御三家的旗艦?zāi)Ｐ蛯⑼司佣€，不再處理瑣碎的細(xì)節(jié)，而是作為高高在上、總攬全局的工程師，在Fusion這樣的動(dòng)態(tài)路由機(jī)制下，負(fù)責(zé)那些難度最大的核心收斂工作。

在最上層，即管控交互層，依托于Omnigent這樣的元框架，各大廠商的主場(chǎng)封閉也會(huì)被逐漸打破，實(shí)現(xiàn)跨模型、跨框架的無(wú)縫協(xié)作、成本預(yù)算管控以及企業(yè)級(jí)安全隔離。

真正的智能，不僅存在于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)內(nèi)部，更存在于鏈接這些網(wǎng)絡(luò)的宏觀架構(gòu)之中。

當(dāng)算力、智力、成本與中立的基礎(chǔ)設(shè)施實(shí)現(xiàn)完美的系統(tǒng)化匹配時(shí)，AI才算真正完成了從“科技盲盒”到工業(yè)流水線的跨越。