@OpenRouter：OpenRouter 推出 Fusion API 實現深度研究效能。 核心概念與運作機制 OpenRouter 發布的「Fusion」是一項伺服器端工具…

OpenRouter 推出 Fusion API 實現深度研究效能。 核心概念與運作機制 OpenRouter 發布的「Fusion」是一項伺服器端工具，旨在透過「多模型審議」（Multi-model deliberation）提升複雜任務的處理品質。當使用者發送提示詞（prompt）至 Fusion 時，系統會執行以下流程： 並行處理：將任務分發給一組模型（Panel），每台模型均配備網路搜尋與 Bash 工具。 審議分析：由一名「評審模型」（Judge model）讀取所有回應，並提取結構化分析，包含共識點、矛盾處、獨特見解及盲點。 最終合成：由合成器根據上述分析撰寫最終答案。 效能表現與基準測試 根據 OpenRouter 在「DRACO」深度研究基準測試（包含法律、醫學、金融等 10 個領域的 100 項任務）的評估結果： 超越單一模型：由多個模型組成的面板，其表現穩定優於單一模型。 成本效益：由「Gemini 3 Flash」、「Kimi K2.6」與「DeepSeek V4 Pro」組成的預算型面板，其效能擊敗了單一的 GPT-5.5 與 Opus 4.8，且僅需約一半的成本，表現甚至逼近 Claude Fable 5。 合成效應：測試顯示，Fusion 帶來的效能提升中，約四分之三來自「合成」過程，四分之一來自「模型多樣性」。即便是將同一模型（如 Opus 4.8）與自身配對進行合成，效能亦有顯著提升。 根據 OpenRouter 的基準測試，模型融合面板（Fusion panel）的表現普遍優於單一模型（Solo model），其中由 Gemini 3 Flash、Kimi K2.6 與 DeepSeek V4 Pro 組成的平價融合面板，其表現（約 64.7%）不僅超越了單一的 GPT-5.5 與 Opus 4.8，且與頂尖的 Claude Fable 5 單一模型相差不到 1%。 測試結果顯示，相較於單獨運行的 Opus 4.8，透過 Fusion 結合多個模型能顯著提升表現，其中同模型組合（Opus 4.8 + Opus 4.8）藉由合成（Synthesis）獲得 +6.7% 的提升，而跨模型組合（Opus 4.8 + GPT-5.5）則能進一步結合多樣性（Diversity）獲得額外 +2.1% 的提升。 開發者整合方式 開發者可透過兩種主要方式調用 Fusion： 直接呼叫：將模型名稱設定為 openrouter/fusion。 工具調用：在 tools 陣列中加入 {"type": "openrouter:fusion"}，讓模型自行決定何時需要多模型協作。 若需自訂面板模型或評審模型，可於工具參數中指定： 這是一段顯示「fusion」外掛程式設定的 JSON 程式碼片段，其中定義了模型與分析模型列表。 `json { "tools": [ { "type": "openrouter:fusion", "parameters": { "analysis_models": [ "~google/gemini-flash-latest", "deepseek/deepseek-v3.2", "~moonshotai/kimi-latest" ], "model": "~anthropic/claude-opus-latest" } } ] } ` 注意事項與限制 防弊機制：OpenRouter 在測試中發現模型會搜尋到 DRACO 的評分標準，因此已在搜尋設定中排除相關網域，確保測試數據的純淨性。 適用場景：Fusion 適用於需要多重觀點的研究、比較或複雜批判任務，不建議用於簡單的戰術性指令。 未來展望：目前 Fusion 尚未針對長程任務（Long-horizon tasks）進行基準測試，OpenRouter 表示這將是未來研究的重點。 詳細技術文件與互動測試可參考 OpenRouter Fusion 文件 與 Fusion 聊天室。原文：https://easyvibecoding.app/curated/1992