导读：更大的模型并不是提升AI能力的唯一办法。南芥智能发布的技术报告提出“模型群体智能”：先测清不同模型的长处，再按任务阶段、成本和时间预算把它们组织起来。Mio 1.0 Lite在9项等权公开基准、13个参评方案中取得77.15分的最高平均成绩，平均成本约0.0621元/请求，同时也是最低值。成绩很醒目，但结论只适用于这组候选池与评测协议，不能简化成“国产模型全面击败所有GPT和Claude”。
01 / 不是再造一个巨无霸，而是把偏科模型组织起来
前沿模型能力强，但价格、延迟和任务适配并不总是最优。同一个复杂任务里，理解输入、科学推理、函数调用、多轮对话和生成最终答案，表现最好的往往不是同一款模型。
Mio 1.0 Lite采用一组国产高性价比模型。单独拿出来时，它们未必在综合排行榜领先；经过能力评估和动态调度后，不同模型在擅长环节接力，使整体平均成绩超过了本轮参评的高价单体模型和其他路由方案。
这就是报告定义的模型群体智能：理解、复用并协调不同开发者独立训练的模型能力，以提高任务完成质量与资源利用效率。模型的价值不仅取决于自身平均分，也取决于它能为整个群体补上什么能力。
02 / 77.15分、每次6分钱，具体是怎么评出来的？
报告比较了8款单体模型、4款路由产品和Mio 1.0 Lite，共13个方案。9项公开基准覆盖智能体自动化、函数调用、多轮对话、指令遵循、专家级科学问答、知识推理等任务，并按等权方式计算平均成绩。
Mio 1.0 Lite平均得分77.15，平均请求成本0.0621元。与平均分最高的单体基线相比，它高6.35分，平均成本低94.0%。在AutomationBench、PinchBench、BFCL V3、IFBench和GPQA Diamond五项上，它取得本轮参评方案最高分。
函数调用基准BFCL V3中，Mio得分77.50；参评方案第二名得分66.00，而Mio单次请求成本约为后者的四十分之一。指令遵循IFBench中，Mio得到92.00分，第二名为82.80分。
其余项目并非全部第一。在QwenClawBench和AA-OmniScience上，它与第一名相差不到1个百分点；MT-Bench落后0.223分；不使用工具的Humanity’s Last Exam差距最大，比最高分低7.97个百分点。报告强调的是帕累托优势：没有参评方案能在同一项上同时以更高成绩和更低成本压过Mio。
评测提醒：平均分来自不同基准的归一化与等权汇总，成本也受模型价格、输出长度和调用策略影响。它适合证明方案值得进一步测试，不等于真实业务中的最终排名。
03 / 模型群体智能，和普通“自动选模型”有什么不同？
简单路由通常根据请求内容挑选一个模型，然后把完整任务交给它。模型群体智能的目标更进一步：任务可以被拆成多个阶段，系统持续参考前一步结果、已消耗预算和剩余时间，为下一步重新选择模型。
例如一个编程Agent修复任务，可以依次经历缺陷诊断、补丁生成、测试执行和错误修正。诊断可能需要推理更强的模型，生成补丁可交给代码模型，测试摘要和格式整理则由低成本模型处理。
这条路线把模型从“独立产品”变成可组合的能力资源。综合分不高但在某类任务上很强的专家模型，也能因为互补价值留在候选池中。
04 / 三个核心组件：先测清、再分工、最后跑稳
Model Eval：用少量题目建立能力画像
逐一测试每个模型在每道题上的表现成本太高。Model Eval先用少量题目估计模型在某一领域的得分，再利用模型与领域之间的关联预测其他领域表现。报告中的实验涉及25个模型、18个基准和2.5万余道题，每个目标模型只需测试5至40道题。
Mio：根据任务状态和预算组织模型
Mio维护一个规模精简、能力互补的候选池，并依据任务进展、成本和时间预算选择下一步模型。团队公开的RobustRouteBench覆盖通用文本、多模态和中文场景，最终测试请求为18,982条。官方仓库显示，中文场景仍未做到全面领先。
Mos：统一运行外部API与自部署模型
Mos负责运行与服务调度，统一管理外部模型接口和自部署模型。报告中的共享缓存实验同时让10个实例加载18.84GB模型文件：直接从对象存储读取需要一小时以上，使用预热共享缓存后约3分钟完成，最高读取提速23.3倍。
05 / 这套思路，源头可以追溯到十年前的“学件”
2016年，周志华教授提出“学件”（Learnware）范式：为训练好的模型配备描述能力和适用范围的规约，放入模型市场，让用户面对新任务时按需复用，而不是从头训练。
南芥智能把这套思想延伸到大模型，为每个模型建立包含实测与预测表现的能力画像。只有当保留下来的模型能接替某个模型的工作，且性能损失在允许范围内，候选池才会移除后者。某些平均分普通、但能解决独特问题的模型因此得以保留。
06 / Scaling Law的新维度：规模不只属于单个模型
传统Scaling Law关注参数、数据与计算量。模型群体智能提出另一个可能的增长维度：参与协作的模型数量、能力差异和组织效率，也可能影响系统能力上限。
这个判断目前仍是研究方向，而不是已经建立的普遍定律。候选池扩大到什么程度会继续增益，协作、路由和上下文交接成本会如何增长，都需要更系统的实验。更强单体模型与更好群体协作也不是二选一：单体能力提升会抬高群体下限，专家模型增加则扩大覆盖范围。
07 / 为什么6分钱很重要？Agent不是只调用一次模型
一个Agent任务往往包含几十次甚至上百次模型调用。单次只差几角钱，放到长链路和大规模用户后会变成明显成本。Mio的思路是把常规步骤交给低成本模型，把预算集中到真正困难的环节。
对教育、政务、制造和中小企业来说，这可能比追求“每一步都用最强模型”更现实。但企业必须计算的是完整任务成本：路由判断、额外调用、上下文传递、失败回退和人工审阅都不能漏掉。
08 / 与模力方舟合作：评测进入模型选型现场
南芥智能与开源中国旗下模力方舟开展模型和数据集评测合作，首批覆盖40个模型与50个数据集。目标是让开发者在资源详情页看到多维能力、同题比较和样本难度，再结合真实任务缩小候选范围。
相关方法强调“用数据评估模型，也用模型评估数据”：所有模型都答错的题能暴露共同短板，却未必有助于模型选型；能拉开模型差异的题目更适合刻画能力边界。团队还介绍了被CIKM 2026与EMNLP 2026录用的相关研究，用自适应选题和多种问法提高评估与路由稳定性。
09 / 仍未解决的问题：画像过期、延迟、上下文与责任
技术报告明确表示，目前结果仍属于组件层面的验证。候选模型池组织的消融实验、多步协作、线上实时调度和系统整体收益仍需进一步评估。
- 能力画像会过期：模型版本、价格和服务状态变化很快，路由依据必须持续更新。
- 协作会增加延迟：多模型调用、交接和回退可能抵消部分成本优势。
- 上下文可能失真：多步任务中，摘要和转交容易丢失关键约束。
- 安全与责任更复杂：跨供应商传输数据、工具权限和错误责任需要清晰规则。
- 平均分掩盖业务差异：企业仍要用真实请求、失败案例和峰值负载做验证。
10 / 实用教程：怎样验证模型路由是否真的更省钱？
- 建立真实测试集：覆盖高频任务、困难任务、边界情况和历史失败案例。
- 设立三个基线：最强单模型、最低成本单模型和简单规则路由，避免只与昂贵模型比较。
- 统一输出预算：固定最大Token、超时、重试和工具权限，保证成本可比。
- 记录完整链路：质量、首Token延迟、总时长、调用次数、路由开销、回退率与人工审阅时间一起统计。
- 做盲测：让评审者不知道答案来自哪个模型，减少品牌和价格带来的主观偏差。
- 按任务分层：不要只看一个总平均分，分别查看代码、工具、长文档、中文和专业知识表现。
- 持续回归：模型升级或价格变化后自动重跑，及时淘汰已经失去优势的路由规则。
11 / 做视频网分析：未来竞争点可能从“谁最强”变成“谁最会组队”
Mio 1.0 Lite最值得关注的不是一张“击败GPT和Claude”的榜单，而是它展示了另一种工程路线：当模型数量不断增加，系统可以把模型差异当作资源，而不是把它们视为只能二选一的竞争者。
这种路线尤其适合Agent。任务越长、步骤越多、工具越复杂，按环节分配模型的空间越大。不过多模型并不会自动产生群体智能；没有可靠能力画像、路由策略、上下文协议和服务基础设施，“组队”也可能只是更贵、更慢、更难排错。
真正的新Scaling Law，或许不是模型数量越多越强，而是可被准确理解、稳定协调的互补能力越多，系统才越强。
站内导航与延伸阅读
- SinapisAI / Mio导航：https://www.zuoshipin.com/link/55422.html
- OpenRouter导航：https://www.zuoshipin.com/link/23474.html
- Kimi导航：https://www.zuoshipin.com/link/9101.html
- Qwen3.8-27B导航：https://www.zuoshipin.com/link/23271.html
- DeepSeek多模态Agent模型：https://www.zuoshipin.com/link/30129.html
- 更多AI资讯：https://www.zuoshipin.com/archive/75
