五合一路由大模型实测：三道刁钻题看调度能力

蓝耘近期低调上线了一款新模型，名为 automodel。它的特点是能一次调用五个顶级大模型来解题，宣传上号称"任务级最优"。这种模型路由器的玩法其实不算新鲜，前两年就有厂商尝试过：把问题抛过去，后台判断哪个模型擅长这个领域，就派它上场。

理论上，代码生成让 DeepSeek 出马，视觉问题交给 Qwen3-VL，长文档分析由 GLM 顶上——每个问题都能找到最对口的那位选手。但实际效果如何，还得拉出来遛遛。

接入体验：三分钟搞定

我用 Cherry Studio 接入 automodel，整个过程大约三分钟。打开 Cherry Studio，在模型服务区域点击添加按钮，填入 API 地址和模型 ID（automodel）。

API KEY 需要去蓝耘的 MaaS 平台获取：打开蓝耘控制台，进入系统管理中的 API KEY 管理，创建密钥后复制 sk-ak 开头的字符串，回到 Cherry Studio 粘贴。点击对勾按钮检测，出现绿色"连接成功"提示即完成。

接入流程比预想简单。复杂模型通常意味着复杂的接入成本，但 automodel 至少在接入这一关没有添堵。

三道刁钻题，五位选手上擂台

我准备了三道题，难度逐级上升，分别考察推理能力、代码能力、综合调度能力。之所以挑这三块，正是因为路由模型最容易被诟病的地方：五个模型来回切换，调度能否切对？会不会把简单问题扔给最贵的模型？能否真正做到"任务级最优"？

第一题：逻辑推理

题目是经典的逻辑陷阱题："A、B、C 三人中有一个说谎者。A 说 B 在说谎，B 说 C 在说谎，C 说 A 和 B 都在说谎。请一步步推理出谁在说谎。"

我把同一道题分别扔给 automodel、DeepSeek 和 GPT。automodel 给出"B 说真话，A 和 C 说假话"的答案，推理过程完整，从假设到验证再到结论一步步展开。DeepSeek 给出相同答案，但额外补充一句"如果坚持只有一个说谎者，则题目条件无解"，说明它真正把题目当作逻辑问题拆解。GPT 则列出三种假设情况，逐一排除后指出题目本身存在条件不满足的问题。

三家核心逻辑都对，只是表述不同。值得注意的细节是，automodel 处理这类长链逻辑时明显调用了 DeepSeek-V3.2 底座（推理风格几乎一致），说明后台路由判断是准的——它知道这种任务该派谁上。

第二题：代码生成

题目是 LeetCode 第 41 题："用 Python 写一个单文件函数，输入 List，不借助第三方库，在 O(n) 时间和 O(1) 空间内找出未出现的最小正整数。"

DeepSeek 用原地哈希思路实现，把 nums[i] 放到 nums[i]-1 的位置再扫描，代码优雅、注释清晰。GPT 方案思路相近但交换条件写法不同。automodel 给出的代码与前两家几乎是同一套路，只是变量名和注释风格有差异。

这个结果合理——这道题有标准最优解，三家都奔着最优解写，自然相似。但反过来看，也说明 automodel 在代码任务上大概率调用的是 DeepSeek 或 GLM。不管调用谁，结果是准确的，边界条件考虑到了，效率符合要求，这就够了。

第三题：混合作业

第三题故意设计得很刁钻："分析这句话的语法错误，并用英文重写，最后附带一段可输出重写文本的 Bash 脚本。'He don't know where is the nearest bank.'"

这道题同时考察语法纠错、跨语言改写、脚本生成三件事，正是路由模型最考验调度能力的场景。

automodel 在一次对话里全部完成：语法错误找得准（主谓不一致和语序问题都指出），英文重写为 "He doesn't know where the nearest bank is."，并给出 Bash 脚本。对比 GPT 和 DeepSeek，三家都能完成，但 automodel 的脚本用 corrected_sentence 变量承接结果，比直接 echo 更工程化。

这种混合任务能一次给齐，说明路由系统没有把任务拆碎，而是当作整体派给了最合适的模型——这是最让人意外的一点。很多路由模型遇到复杂任务就会犯迷糊，要么拆给多个模型导致上下文丢失，要么全塞给最贵的浪费资源，automodel 至少没出现明显的调度事故。

真上生产环境

做完三道题，automodel 至少是及格线以上。但光做几道题不够，最终要落到真实业务里。

我手上有个开源项目 AI 人生规划师（Next.js），核心对话原本由单一模型驱动。这次把 automodel 接进去，让它根据问题类型自动派给不同子模型：职业规划问题由 DeepSeek 回答（逻辑严密），学习成长建议由 Qwen 回答（调性活泼），财务规划由 GLM 回答（更专业）。

跑了两天，效果确实有改善——最明显的是回答多样性上来了，不再是单一模型的固定腔调。

写在最后

坦率地说，automodel 并不完美。三个测试都是单回合，没有长时间对话记忆评估，也没覆盖多模态、视频理解、Agent 工具调用等复杂场景。

但作为"五合一"路由模型，它在三道刁钻题上的表现，让我对这种产品形态有了新的看法。过去我对"模型路由器"有点不屑，总觉得是把好几个二线模型拼在一起，看起来全面、其实每项都不精。

这次实测让我意识到可能有偏见。 如果路由调度真的能做到任务级最优，那"五个 90 分的模型"可能比"一个 99 分的模型"更实用——90 分覆盖的领域更多，99 分只在一个领域突出。

下次再有人问"我该用哪个模型"，我会多问一句："你的问题类型是单一的还是混合的？"如果是单一垂直问题，就挑那个领域的王者；如果是混合问题，路由模型可能真的值得一试。