文章核心观点 - 顶级大模型性能优越但成本高昂，使预算有限用户难以承受 [1][2] - 上海人工智能实验室推出Avengers-Pro多模型调度路由方案，通过集成和智能调度8个行业领先模型，实现性能与成本的最优平衡 [3][5][14] - 该方案在多个挑战性数据集上表现卓越，最高性能超越GPT-5-medium 7%，超越Gemini-2.5-Pro 19%，且成本显著降低 [5][20][22] 技术方案与机制 - 核心机制包括嵌入、聚类和评分三步骤：将用户请求转换为向量，聚类相似任务，评估模型性能-成本综合评分 [15][25] - 动态调整参数α（0-1范围），在追求极致性能（α=1）与极致性价比（α=0）间灵活切换 [17] - 通过实时路由决策，将任务分配给最合适模型，避免资源浪费并提升回复质量 [10][11][15] 性能与成本优势 - 在6个数据集（GPQA-Diamond、Human's Last Exam等）上，平均正确率达0.66，优于最强单模型GPT-5-medium的0.62 [20] - 与GPT-5-medium性能持平时，成本降低27%；达到其90%性能时，成本仅需37% [5][20][21] - 实现与Gemini-2.5-Pro同等性能时，成本仅需19% [5][22] - 在任何成本水平下提供最高准确率，或任何准确率目标下控制最低成本，达到帕累托最优 [5][23] 模型集成与调度 - 集成8个顶尖模型：OpenAI的GPT-5-chat和GPT-5-medium、Anthropic的Claude-4.1-opus和Claude-4-sonnet、Google的Gemini-2.5-pro和Gemini-2.5-flash、阿里的Qwen3系列 [19][26] - 调度策略灵活：倾向成本时多选低成本模型（如Qwen系列），倾向性能时多选高性能模型（如GPT-5-medium） [28][29][30] - 系统在推理时自动归类请求到相关聚类，并分配得分最高模型 [17] 行业意义与前景 - 智能调度路由方案解决大模型领域性能与成本平衡的关键问题 [9][10] - 推动大模型降本增效，满足多样化应用场景需求 [14][31] - 证明在当前生态下，该方案具有突出表现和巨大潜力，未来可能带来更多突破 [32][33]