蓝耘Automodel:5模型塞进1个API,混合任务能靠路由解决吗?
蓝耘推出 Automodel,将 Gemma3、Qwen3-VL、DeepSeek-V3.2 等五个主流模型整合为单一接口。本文通过逻辑推理、代码生成及混合任务三道测试题,验证其路由调度能力,并结合 Next.js 项目实战,分析其在生产环境中提升回答多样性的实际效果,探讨模型路由技术的实用价值。
五个顶尖模型共用一个入口,到底是拼凑出来的怪胎,还是条新路子?
大模型圈子最近出了点新动静,蓝耘推出了一款叫 Automodel 的产品。名字听着挺唬人,可点进去看架构就明白了,它其实是个「模型路由器」——把 Gemma3-27B、
Qwen3-VL-32B-Instruct、DeepSeek-V3.2、MiniMax-M2.5 和 GLM-5.1 这几个头部模型全都塞进了同一个 API 接口。
这种玩法技术上算不上新鲜。道理不复杂:用户把问题抛过来,后台先看是什么类型,再判断哪个模型最拿手,派它去处理。代码生成找
DeepSeek,视觉理解找 Qwen3-VL,长文档分析找 GLM。按说这样能拿到「任务级最优解」,每个问题都能对上专门的专家。
可理论终归是理论。真用起来,调度会不会出错?会不会图省事,把所有问题都推给同一个模型?更糟的情况是把简单问题分给最贵的模型,白烧资源?揣着这些疑问,我打算自己上手测一测。
三分钟接入:比想象中简单
开测之前得先把环境搭好。客户端我选了 Cherry Studio,接入过程顺得出乎意料,前后大概三分钟。
第一步是在 Cherry Studio 的模型服务页面点添加模型。要填的关键信息有两项,API 地址填https://maas-api.lanyun.net,模型 ID 那栏直接输入automodel。
接着是鉴权。登录蓝耘 MaaS 平台控制台,进系统管理找到 API KEY 管理,新建一个密钥。把那串以sk-ak开头的密钥复制下来,粘回 Cherry Studio 的 API 密钥栏。点一下右侧的检测按钮,冒出绿色的「连接成功」,配置就算完了。
对开发者来说,接入门槛低是件加分的事。模型聚合往往意味着配置麻烦,Automodel 这块倒挺克制,没多设障碍。
第一关:逻辑推理陷阱
第一道测试题挑了道经典逻辑陷阱,专门看模型的思维链(CoT)能力。
题目如下:
A、B、C 三人里有一个说谎者。A 说:B 在说谎。B 说:C 在说谎。C 说:A 和 B 都在说谎。请推出谁说谎、谁说真话。
题目看着简单,其实藏着坑。假设 C 讲的是真话,那 A 和 B 就都在说谎,可这跟「只有一个说谎者」的前提对不上。所以 C 肯定在说谎。C 一说谎,B 那句「C 在说谎」就成了真话。B 说真话,A 那句「B 在说谎」便是假话。结论:B 说真话,A 和 C 说假话。
我把这道题分别发给了 Automodel、DeepSeek 原生接口和 GPT。
Automodel 答得完全正确,还把从假设到验证的推理步骤一步步列了出来。它的推理路数和 DeepSeek-V3.2 高度相似,几乎可以断定后台路由认准了这是道强逻辑题,把它派给了 DeepSeek。
DeepSeek 原生接口的答案也对,只是多补了一句:「如果坚持只有一个说谎者,则题目条件无解」。这句挺有意思,说明它在严格逻辑校验下察觉到了题面表述的潜在歧义,不过最后还是给了符合常规认知的解答。
GPT 更谨慎一些,它把所有假设情况都摆出来,指出题目在严格逻辑下不够严谨,还建议改表述。
三家在核心结论上一致,处理边界条件时的态度却略有差别。Automodel 这一步表现稳,没有因为路由转发丢掉上下文,推理质量也没打折。
第二关:极致代码优化
第二道题考代码,要求用 Python 写一个单文件函数,不借第三方库,在 O(n) 时间复杂度、O(1) 空间复杂度下找出列表里没出现的最小正整数。
这是 LeetCode 第 41 题,难的不是做出来,而是写得「优雅」又卡得住严格的复杂度要求。标准解法用原地哈希(In-place Hashing),把数值nums[i] 放到索引 nums[i]-1放到对应的位置上,最后扫一遍数组,找出第一个位置对不上的元素。
三家模型写出的代码思路基本一样,走的都是原地交换那条路。Automodel 这一版结构清楚,变量名起得规范,注释也不啰嗦。再拿 DeepSeek 和 GPT 的输出对照,算法层面看不出实质差别,区别只在代码风格上。
像这种有标准解法的编程题,主流大模型的能力其实已经拉不开差距。Automodel 的路由系统在这里多半也是指向了 DeepSeek 或 GLM 这类写代码较强的模型。底层换成谁不重要,结果准确、效率过关,用户就能用。
第三关:混合任务调度
前两道题都属于单一类型,第三道我特意设成混合场景,就是想看看路由系统怎么调度。
题目要求:
- 分析句子
He don't know where is the nearest bank.的语法错误; - 把这句话用英文重写一遍;
- 再写一段 Bash 脚本,把重写后的文本输出出来。
这是个典型的复合任务,自然语言理解、跨语言处理、代码生成三样都占。不少路由模型碰上这种任务容易出两种岔子:一种是把任务拆开分给不同模型,上下文接不上;另一种是图稳妥,直接叫全能但贵的那款模型,白花钱。
这一轮 Automodel 完成得不错,一次对话就把所有子任务做完了:
- 主谓不一致(don't 应为 doesn't)和从句语序错误(where is 应为 where ... is),两处都点准了;
- 重写版本也给对了:
He doesn't know where the nearest bank is.; - 脚本写得规范,用变量接住重写结果,没有图省事直接硬编码 echo。
拿 GPT 和 DeepSeek 的直接输出来比,Automodel 在工程化细节上还略占上风。看得出路由系统认出这是复合意图后,并没有机械地拆任务,而是整体交给综合能力最强的那个模型(可能是 GLM 或 Qwen)。这种整体调度的本事,是判断路由模型成不成熟的关键。
生产环境实战:AI 人生规划师
三道测试题跑完,心里大致有数了,可还得放到真实业务里验一验。我手上有个开源项目叫「AI 人生规划师」,用 Next.js 开发,之前一直靠单一模型撑对话。
单一模型的问题就是腔调固定。用户问职业规划、学习建议还是财务分析,回答风格全是一个样。这回我把后端换成了 Automodel,想借路由机制把多样性带进来。
部署上去跑了两天,效果确实有改善:
- 用户问职业路径,回答逻辑严密,偏 DeepSeek 的路子;
- 用户求学习成长方面的建议,语气活泼亲切,带着 Qwen 的特征;
- 碰到财务规划这类专业领域,回答更严谨、更有结构,像 GLM 的表现。
产品因此不像一台冷冰冰的问答机器了,倒更像一个各有专长的顾问团队。底层终归还是算法,但路由调度带来的风格切换,让用户的交互体验明显上了个台阶。
顺手我还把前端视觉改了一版,原来硬核的冷色调换成温和的渐变色,界面更贴合「陪伴型」产品的定位。项目代码已经开源到 GitHub,有兴趣的可以自己去看,也可以拿去二次开发。
结语:偏见与修正
去年我对「模型路由器」这类产品是保留态度的。当时的看法是,这不过是厂商在单模型能力不够时的妥协办法,几个二线模型凑到一块,看着什么都能干,实际每样都不精。
不过,这轮实测下来,我原先的部分成见被推翻了。
倘若路由调度真能把任务和模型对得足够准,那么「五个 90 分模型」搭起来的组合,落到实际使用里,性价比和实用性说不定反倒强过「一个 99 分模型」。原因在于,90 分的模型能覆盖的领域更宽;99 分的模型,优势常常只集中在某个垂直方向上,压得人没话说。
话虽如此,Automodel 也谈不上没有短板。眼下的测试基本围绕单回合对话展开,长程记忆、多模态理解、Agent 工具调用这些更复杂的场景,都还没有做深入评估。可放到多数日常应用里看,这种路由模式已经够用了。
下回再有人问「大模型该挑哪一个」,我大概会先反问一句:「你要的是单一垂直的需求,还是混合多样的需求?」
前一种情况,挑那个领域的头部模型就行;后一种情况,像 Automodel 这类路由模型,可能是个值得一试的高效办法。