PPIO发布Fusion融合模型，称以十分之一成本达顶级模型水平
多模型融合思路打破单模型性能天花板，以低成本实现高智能，为应用开发者提供新选择。
PPIO 推出 Fusion 融合模型，将一次请求分发给多个模型并行作答，再经筛选融合，以较低成本获得接近顶级模型的智能。在 DRACO 深度研究基准测试中，三个开源模型融合后得分超过 Claude Fable 5，成本仅为后者十分之一。
正文摘录
- title: PPIO 正式发布“Fusion 融合模型”：用十分之一的价格超越顶级模型的智商 - sourcecompany: 量子位 - bodymarkdown: 跟仅做简单请求转发的传统 API 网关不同，Fusion 融合模型会将每次调用变成一场“专家会诊”——网关会将复杂任务同时分发给多个各有所长的“专家模型”并行作答，再通过思考编排与交叉验证，由主模型融合生成最终答案。 Fusion 模型以智能优先、兼顾性价比：通过工程化的融合手段，把回答质量稳定在头部旗舰模型梯队，同时把成本控制在中低梯队。在 DRACO 深度研究基准测试中，PPIO 用三个开源模型融合后的评分超越了 Claude Fable 5，而成本仅为后者的十分之一。 2026 年，大模型市场进入密集迭代期。Claude、GPT、Kimi、GLM 等主流模型几乎每季度都有新版本发布，排行榜的头部位置频繁更替。对应用开发者而言，可选的模型越来越多，但每个模型都有各自的短板。 从评测数据看，所有的模型能力均存在偏科，并且偏科的方向各不相同。代码生成、长文档理解、数学推理、多语言翻译，当前没有一个模型在所有维度上同时领先，排行榜头部位置按任务类型切分后属于不同的模型。 比偏科更难应对的是幻觉。模型产生幻觉时无法自我发现，错误答案和正确答案在语气、格式、流畅度上没有区别，模型不会对自己不确定的部分做出标记。法律条款解读、医疗建议、金融合规这类场景中，错误一旦被采纳，纠错成本远高于重新生成一次答案，而单模型架构下不存在第二个视角来拦截这个错误。 偏科和幻觉的根源在于，单个模型对同一问题只有一条推理路径，一条路径只能看到一面。复杂问题往往存在多个切入角度，单一路径的遗漏，只有引入另一条独立路径才能发现和补上。 这三个限制在 Agent 场景中的代价尤其大。