OrcaRouter用一套路由多模型组合，将ClaudeFable5满血复活

当行业默认“更强的 AI”等同于“等待下一个更大的模型”时，另一条路线正在变得清晰：不追求单点突破，而是把已有的模型编排成一个能协作、能互检的系统。

近期，AI 网关OrcaRouter（https://www.orcarouter.ai/）上线了一套名为 Routing DSL 的可编程路由策略。它的技术主张可以概括为一句话：用一套声明式规则，把多个现成模型组合起来，逼近——在部分场景甚至追平——顶级单模型的表现。其中一个被反复提及的参照对象，是被不少开发者视为最强模型的 Fable 5。

本文要点

• 在一组示意性测试中，多模型“组合面板”的得分普遍高于它的任一成员模型，且多个组合追平了顶级单模型。

• 这并非取巧，而是有清晰研究脉络的支撑：自一致性、混合智能体、复合 AI 系统、推理时计算扩展。

• OrcaRouter 的价值不在于提出新方法，而在于把这些原本停留在论文与脚本层面的思路，做成可声明、可灰度、可审计的基础设施。

一、一个被低估的事实：组合往往胜过单点

先看现象。在一组示意性测试中（注：以下为说明趋势的示意数据，非官方跑分，100 题中评分 93 题），由多个模型并行作答、再经仲裁挑选的“组合面板”，其得分普遍高于参与组合的每一个成员模型（图表 1）：

• · Claude Opus 4.8 与 GPT-5.5 组成的双模型面板（约 67.5%），同时高于二者各自单跑（约 58.5% 与 60%），领先 7 到 9 个百分点；

• 多个组合追平、甚至超过了 Fable 5 单跑（约 65.5%）；

• 更值得注意的是：即便是“同一模型的自我组合”（Opus×2）也能逼近顶级水平；而一组更便宜的模型组合（约 64.5%）同样贴近 Fable 5——这意味着“性能”与“单价”被部分解耦。

如果再按请求难度做智能分流，把整套策略跑成一个完整端点，其综合表现在这组示意数据中可与 Fable 5 持平（图表 2）。换句话说，真正起作用的不是“更强的模型”，而是“更合理的编排结构”。

二、为什么有效：一条清晰的研究脉络

这一现象并非反常，它与过去两年生成式 AI 领域的一条重要研究主线高度吻合——通过在推理阶段投入更多计算与结构，而非单纯堆叠参数，来换取能力提升（图表 3）。

• 自一致性（Self-Consistency）：让模型对同一问题采样多条推理路径，再以多数投票得出答案，可显著提升推理准确率。

• 混合智能体（Mixture-of-Agents）：把多个模型的输出分层聚合、互相参考，仅用开源模型就能在部分对话基准上超过当时最强的闭源单模型。

• 模型即裁判（LLM-as-a-Judge）：用一个模型评判、排序另一些模型的输出，已成为评测与筛选的常用手段。

• 复合 AI 系统（Compound AI Systems）：学界明确提出，前沿能力正从“单一模型”转向“系统级组合”——检索、工具、多模型协作共同构成系统。

这些工作指向同一个机制：不同模型的错误往往是不相关的（decorrelated）。让它们各自独立作答，错误是分散的；再用投票、裁判或执行验证把正确答案挑出来，整体正确率就被抬升（图表 4）。模型之间的分歧不是噪音，而是可被收割的信号。

三、从论文到基础设施：Routing DSL 做了什么

上述方法虽有效，却长期停留在论文复现和一次性脚本的层面——难以治理、难以观测，更难安全地放到生产流量上。

OrcaRouter（https://www.orcarouter.ai/）

的Routing DSL

（https://docs.orcarouter.ai/zh/routing/routing-dsl）

本质上是给“复合 AI 系统”提供了一个声明式、可灰度、可审计的工程形态。

规则用 YAML 描述，条件判断用 CEL 表达式（运行在安全沙箱内、只读、微秒级求值），自上而下匹配。开发者既可按难度或任务把请求分流给不同模型，也可以让一条规则“扇出”到多个模型并行作答（图表 5）：

use:

parallel: # 2~5 个模型并行作答

- { model: "claude-opus-4-8" }

- { model: "gpt-5.5" }

- { model: "gemini-3.1-pro" }

arbiter:

strategy: best_of_n # 由一个"裁判模型"挑选最优

model: "claude-sonnet-4-6"

仲裁提供四种策略，对应不同的工程目标：

更关键的是它的治理面：lint 静态校验、dry-run 试跑、影子模式（只评估不生效、先看 A/B 差异与成本变化）、0—100% 的灰度放量，以及每次变更的回滚审计。这套机制，使“把多模型编排放上生产流量”从一件高风险操作，变成可控、可观测、可回退的工程实践。

四、意义与边界

把视角拉远，这件事的意义有三层：其一是供给侧的现实意义——当头部模型对普通用户收紧、顶级能力变得稀缺，编排提供了一条“用现有资源重新逼近前沿能力”的路径；其二是成本结构的改变——“用拓扑换智能”使性能与单价解耦，真正昂贵的并行扇出只发生在难度最高的少数请求上（图表 6）；其三是工程范式的迁移——团队的竞争力，正从“选用哪个模型”，部分转移到“如何编排模型”。

但同样需要冷静看待它的边界：

• 成本：并行扇出意味着每条调用腿都要计费，只有配合按难度分流才具备经济性；

• 成熟度：多模型并行扇出的运行时目前仍处于灰度/预览阶段，计费链路仍在验证；

• 数据：本文引用的对比均为示意，而非官方基准；

• 适用性：并非所有任务都受益——低难度或答案确定的请求，单模型往往更经济；编排也会引入额外延迟与系统复杂度。

换言之，编排是一种需要按场景权衡的工具，而非银弹。

结语

模型能力的边界，正在从“单点参数竞赛”扩展到“系统级编排”。在这条路线上，前沿不再只是一个需要等待的模型，而是一种可以被设计、被治理的结构。对工程团队而言，这或许意味着一个朴素但重要的转变：把更多注意力，从“追逐下一个模型”，转向“如何把已有的模型组织得更好”。

注：本文所涉性能对比均为示意性数据，仅用于说明趋势，非官方跑分；文中所述多模型融合运行时目前处于灰度/预览阶段。

更多内容：https://www.orcarouter.ai/blog/routing-dsl-compose-a-panel-of-models-that-thinks-like-fable-5