前沿Claude和GPT，居然被国产AI联手超越？Scaling Law新解法来了

新智元报道 如今的大模型，想要追求性能，往往要烧掉海量经费。Claude Opus或GPT等前沿模型，好用是真好用，贵也是真贵。 但如果现在告诉你： 有一套方案，不仅能在九项包含科学推理、业务自动化、工具调用、Agent能力等基准测试中力压群雄拿下第一，而且每次调用的平均成本只要区区0.06元，甚至不到对手的2% ，你会不会觉得不可思议？ 就在近日，这件打破常理的事情真实发生了。 AI基础设施公司南芥智能（SinapisAI.com）发布了一份极具颠覆性的技术报告。 他们推出的Mio 1.0 Lite，就像一位「武林盟主」，把多款原本可能有些「偏科」的国产高性价比大模型集结在了一起。 单打独斗时它们或许并非全能，但 调度协作后，竟爆发出了远超高价单体模型的惊人战斗力。 在一项覆盖九项公开基准的评测中， Mio 1.0 Lite平均得分77.15，在十三种参评模型中排名第一。 它每次请求的平均成本约为0.062元，在参评方案中同样最低。 这份名为《Toward Collective Model Intelligence: Characterizing and Coordinating Models》的技术报告，相关代码和评测数据集已在GitHub公开(https://github.com/SinapisAI/collective-model-intelligence)。 这份报告在行业内首次系统地提出了一个极具潜力的新方向—— 「模型群体智能」（Collective Model Intelligence） 。 本轮评测可谓一场「诸神之战」，比较了八款单体模型和四款路由产品。国际模型中，主流模型GPT-6.1 Sol和Claude Opus 5.5参加了比较。 国内各主要大模型厂商的最强模型也都在参评之列，包括Kimi K3、GLM 5.3、Qwen 3.8 Max、DeepSeek V4.1 Flash等量模型。 此外，OpenRouter Auto Router及其Beta版、Jev Router和vLLM Router等主流路由产品也参与了同台竞技。 评测结果：性价比降维打击 九项基准涵盖智能体自动化、函数调用、多轮对话、指令遵循、专家级科学问答和知识问答等任务类型。按九项平均成绩计算，参评单体模型中得分最高的是GPT-6.1 Sol，但Mio 1.0 Lite不仅比它高出6.35分，平均成本更是暴降了94.0%！ 参评方案中成本最低的是Qwen 3.8 Flash，Mio 1.0 Lite的得分比它高14分，成本竟然还低了16.4%。相比之下，Claude Opus 5.5每次请求的平均成本为3.93元，约为Mio 1.0 Lite的六十余倍。 Mio 1.0 Lite在AutomationBench、PinchBench、BFCL V3、IFBench和GPQA Diamond五项基准上取得了参评方案中的最高分。在这五项上，它的成本比其他方案中得分最高者低73.7%至97.5%。 在部分项目上，这种领先优势呈现出「断层」级别。比如考察函数调用能力的BFCL V3，Mio 1.0 Lite得分77.50，排名第二的Claude Opus 5.5得分66.00，前者的单次请求成本约为后者的四十分之一。 在指令遵循测试IFBench上，Mio 1.0 Lite得分92.00，排名第二的方案得分82.80。 其余四项基准上，Mio 1.0 Lite也取得了很高分：QwenClawBench和AA-OmniScience两项与第一名的差距都不到1个百分点，但成本分别低95.1%和85.3%。MT-Bench满分为10分，Mio 1.0 Lite比第一名低0.223分，成本低89.7%。 差距最大的一项是不使用工具的「人类最后的考试」（Humanity's Last Exam），Mio 1.0 Lite比最高分低7.97个百分点，成本低97.5%。 在九项基准的每一项上，都没有参评方案能在得分和成本两方面同时优于Mio 1.0 Lite。 有趣的是，参与协作的这些国产模型单独拎出来评测时，并没有在各项测试中名列前茅。 但一旦被「组织」起来协同工作，它们的综合表现直接反超了成本高出数十倍的前沿模型。这就是「模型群体智能」的直观体现。 什么是模型群体智能 报告的出发点来自对评测数据的观察。排行榜上的平均分往往会掩盖模型之间的差异。综合排名靠后的模型，常常能答对排名靠前的模型答错的题目。 一个复杂任务通常包含理解输入、推理和调用工具等环节，各环节表现最好的往往是不同的模型。很多常规步骤用成本较低的模型就能达到质量要求，节省下来的预算可以用在难度更高的环节上。 报告据此提出，模型群体智能就是理解、复用和协调不同开发者独立训练的模型所积累的能