484个模型同场竞技：平均分第一，成本却只有对手的2.7%

过去数十年，AI能力的提升沿着三个方向不断加码：更大的算力、更好的算法、更多的数据。大模型时代尤其如此，更大的集群、更多的参数、海量的语料，造就了一个又一个能力超群的单体模型。

当超级个体足够多时，一个更大的想象空间随之打开。如果让这些模型在被充分了解的前提下，彼此连通、互相协作，会不会迸发出超越任何单个个体的智能？沿着这个方向看，算力、算法、数据之外的第四要素，或许正是模型本身。

今年刚成立的南大系初创公司南芥智能（SinapisAI）发布技术报告《Toward Collective Model Intelligence: Characterizing and Coordinating Models》。这是这家公司技术底座的第一次公开，系统介绍了其围绕海量模型协作构建的技术框架与初步实验结果：面向不断扩大的模型宇宙，为模型建立可量化的能力画像，再由Mio（Models in One）结合任务需求与资源预算进行模型选择与协作。

报告给出了首份公开评测结果：Mio 1.0 Lite与多个单体模型、路由方案进行比较，在九个公开benchmark上同时拿下平均分第一（77.15/100）和平均成本最低（每请求0.06元），在其中五个数据集上取得了最高分数，与分数次高的对手相比，成本减少73.7%～97.5%。

南芥智能是南京大学人工智能学院的技术孵化企业，联合创始人孙腾中（CEO）、刘建东（CTO）等核心创始成员来自该学院LAMDA实验室，多位创始成员师从周志华院士。10月8日，其产品平台SinapisAI刚刚开启公测，已收录484个模型。

模型之所以能成为新的增长要素，源于两个同时发生的变化。其一，模型正在从一次性交付的技术产品，变成可以积累、复用、流通的资源，全球每周都有新模型诞生，即使技术同源，不同开发者训出的模型，也会长出不同的技能树；其二，单体模型继续变强的边际成本越来越高。

海量模型各有所长，其互补与协作所蕴藏的增量，几乎还未被开采。用报告结论部分的话说，一个模型的价值，取决于它在集体中的角色。一个平均分并不亮眼的专家模型，也可能补上其他模型缺少的能力。

这条路并非凭空而来。2016年，中国科学院院士、南京大学副校长周志华提出“学件（Learnware）”范式，主张模型加规约、入库共享、按需复用。海量模型协作，正是这一范式在大模型时代的延伸。在报告中，这条思路有一个正式的名称，模型群体智能（Collective Model Intelligence）。报告关注能力层面的协同，理解并协调各方独立开发模型的互补能力，以此改善任务效果与资源效率。

这条路也直接回应了“十五五”规划的两处部署。一处是鼓励群体智能等技术创新。在这座模型宇宙里，系统设计支持新模型注册、能力刻画和候选池审查，并据此更新可用模型集合，模型得以自由接入、动态退出，为模型能力的组织与按需调用提供基础。另一处是推进算力资源的集约化、绿色化发展。复用已经训练好的模型能力，有望减少部分重复训练与资源投入。

这套系统由四个技术主体构成，环环相扣。

看懂模型（Model Eval）：要挑模型，先得懂模型，但对每个模型逐题进行全量评测，成本高昂。Model Eval结合查询级响应建模与跨领域预测，利用历史评测信息和有限的新增观测，构建模型能力画像。在覆盖25个模型、18个benchmark、逾2.5万条query的查询层实验中，系统估计模型在各benchmark上的平均得分，其平均分数估计误差低于IRT、PSN-IRT等对比方法。另一项覆盖35个模型、32个领域的实验则单独评估跨领域预测，以已测领域的准确分数为锚点，预测模型在未测领域的表现。

选对模型（Mio）：它将模型能力证据与当前任务状态结合，先筛出满足接口、模态和预算等约束的候选，再比较预期任务表现，并在表现接近的模型中，选择成本与延迟更合适的方案。报告提出的候选池维护机制是动态的，随新模型接入、能力证据与服务条件变化持续调整。组池时，它评估方向性替换损失，也就是换掉一个模型之后，看它在具体请求上的独有优势是否有人接班。只有留下的模型在领域覆盖、替换损失和服务兼容性上都接得住，一个模型才会被移出候选池，平均分未必突出、却能补足短板的专家模型因此被保留下来。

调得动模型（Mos）：选定模型之后，还有一个常被忽视的问题：相同型号的模型常有多个来源，不同服务商的端点在价格、限流、排队时延、生成速度和可用性上差异巨大，且随时会发生变化。模型服务系统Mos综合端点健康、可用容量、费用与预计延迟，为已选模型安排执行来源，并在失败类型与响应进度允许时，进行有条件的重试和同模型端点切换。配套的模型分发网络在预热共享缓存下，将模型文件读取速度最高提升23.3倍（不含缓存预热、参数传入GPU与推理环节），提高了自管理部署中的模型文件分发效率。

装下这一切（Model Space）：底层的模型仓库为每个模型建立版本化身份，让484个模型可以被动态地接入、更新与退出，能力画像随版本刷新。

根据报告，Mio 1.0 Lite与8个国内外顶级模型以及4个路由服务在9个公开benchmark上同场竞技，成绩亮眼：Mio九项平均分77.15/100，全场最高；平均每请求成本0.06元，全场最低。对比分数最高的对手GPT 6.1 Sol，高6.35分，成本低94.0%；对比成本最低的对手Qwen 3.8 Flash，高14.00分，成本更低16.4%。

具体表现如下：

• AutomationBench（Agent执行）：53.83%，全场第一，比第二名Jev Router高4.00个百分点；
• BFCL V3 Base Multi-Turn（函数调用）：77.50%，全场第一，比第二名Opus 5.5高11.50个百分点，成本仅为后者的2.7%；
• GPQA Diamond（科学推理）：95.96%，全场第一，比第二名Kimi K3高2.46个百分点；
• Humanity’s Last Exam（无工具推理）：53.38%，第二名，与第一名Opus 5.5相差7.97个百分点，成本低97.5%；
• AA-OmniScience（事实知识）：64.67%，第二名，与第一名GPT 6.1 Sol相差0.67个百分点，成本低85.3%；
• PinchBench（Agent执行）：96.27%，全场第一，比第二名GLM 5.3高0.23个百分点；
• QwenClawBench（Agent执行）：69.38%，第二名，与第一名Qwen 3.8 Max相差0.43个百分点，成本低95.1%；
• IFBench（指令遵循）：92.00%，全场第一，比第二名Qwen 3.8 Max高9.20个百分点，成本低91.6%；
• MT-Bench（多轮对话）：9.138/10，第三名，与第一名GPT 6.1 Sol相差0.223分，成本低89.7%。

报告同样标注了边界：在HLE等高难度任务上，不计成本的旗舰模型仍有质量优势。Mio的定位是寻求更好的质量、成本与覆盖均衡。团队还构建了RobustRouteBench鲁棒性基准，在通用文本、多模态和中文三类场景的18,982条最终测试请求上，离线评估Mio请求级选择器在固定模型池中的选择鲁棒性，并避免开发集同源请求进入最终测试。

这份报告发布的时机值得玩味：过去几个月，Stripe宣布同意收购AI模型网关和路由平台OpenRouter，英伟达宣布以129亿美元收购开放模型开发者社区Hugging Face。一边是模型与应用之间的路由入口，一边是最大的模型仓库，资本已经开始为连接供给与需求的“卖水人”单独定价。

这层生意拆开看，是三个递进的环节。仓库解决被发现，路由解决被选择，协作解决被组合，南芥智能的布局正与此对应：模型广场提供模型发现入口，Mio承接按任务的模型选择与协作，底层系统则提供能力刻画和执行支持。此前，公司已完成由南京市创新投资集团、鼎信资本等机构参与的近亿元首轮融资。南芥智能不自研通用大模型、不与模型厂商竞争，这种中立性本身就是稀缺的资产。

报告明确指出，系统集成的整体收益、以及“集体智能随经验持续进化”的愿景，仍待进一步验证。按照报告的设想，这条进化路径是递归式的，系统用集体的能力诊断自身弱点、修正自身机制、再验证改动，目标是让每一轮循环同时改善任务表现与系统的自我改进能力。这不是终结Scaling Law的故事，而是一个更朴素的判断，当单个模型的能力增长边际递减，组织已有模型的能力，本身就是一条崭新的进步曲线。

谈到长远想做什么，南芥智能CEO孙腾中用了一个类比：“电力改变世界的关键，不仅在于造出更大的发电设施，更在于建成电网，让每一度电都能被安全、高效地送到需要它的地方，智能亦是如此。我们不生产模型，我们要做的是模型时代的电网，让每一种模型能力都被看见、被调度，送到最需要它的任务上。”

模型宇宙还在膨胀。算力、算法、数据之后，模型究竟能不能成为智能增长的第四要素？这座宇宙里最先回答这个问题的人，也可能最先兑现它的红利。