四项测试全球第一，Fusion Model如何破解智能分配难题

融合模型，尽揽众长。在推理、行业、编程、科学四项顶尖公开测试集上，Fusion Max 与 Fusion Code 全部拿到第一，分别超过 GPT 5.6、Fable 5 与 Kimi K3。

今天，新加坡前沿模型实验室FUMO Lab（小宿科技兄弟公司）发布Fusion Model。用户无需研究不同模型的擅长领域，只需告知任务目标，系统会在后台根据任务进展，选择合适的模型参与：谁负责解决问题，谁负责补充信息，谁负责检查结果。若信息不足，Fusion Model会继续寻找和验证；若已足以得出可靠结论，则及时停止，最终呈现完整、清晰、一致的答案或可直接执行的操作。

智能的基本单位正在改变。主流语言模型接口将一次“请求—回答”视为智能的基本单元，但Agent的出现改写了这一模式，推动工作经历连续的观察、决策、行动与校验。问题从“某个模型能否回答”转变为：当工作演化时，智能能否持续发挥作用。需求不是预先写死的难度分数，而是在执行过程中逐步显现。供给侧也在变化，模型由异构能力构成生态，在推理、代码、科学、检索、批判、工具使用、时延、可靠性、隐私和成本等方面各具优势。最强的独立答题者未必是最好的批评者；较小模型在探索另一条路径或执行边界明确的校验时，可能具有更高边际价值。两个变化交汇成系统问题：持续将只能被部分观测、且不断演化的智能需求，与异构能力供给相匹配。我们称之为智能分配问题。

Fusion Model无需在任务开始前预测整条轨迹需求，而是把推理转化为闭环证据获取过程。每一步提出四个问题：还剩哪些影响决策的不确定性？什么证据会实质改变下一个答案？现有能力中谁最适合获取证据？这次计算的期望价值是否高于成本、时延与风险？每获新观测，系统更新状态并重新回答。两条设计原则：围绕不确定性组织计算；一份状态，多种视角，一次提交。用户侧体验不变，仍为统一接口。

Fusion Model将智能分配视为贯穿执行轨迹、能随经验持续改进的系统能力。组合描述系统构成，复利描述能力增长。仅加入更多模型只是组合；学会让模型场景化优势与真实任务相互作用，能力才可能产生复利。Fusion沿两条耦合回路演进：轨迹之内（不确定性→获取证据→更新状态→再次分配）与轨迹之间（任务理解→分配策略→停止判断→复利改进）。模型进步扩大智能供给，分配能力进步决定转化效率，结合产生复利，构成新规模化维度。

智能分配价值需从外部感知。对于边界清晰问题，目标是在性能—算力曲线上实现Pareto改进；对于Agent轨迹，目标是在状态变化时提高端到端完成率，减少不一致状态转换，降低每次成功任务所需算力。白皮书测试结果显示，保持较高任务表现的同时，与直接调用权威综合模型相比，Fusion Model可将任务成本降低约30%–40%。这不是用弱模型替代强模型，而是把更强判断留给真正承重的环节。真正推动能力—效率前沿的是分配层。

科学问题常因“正确但非决定性”事实而失败。材料科学案例中，杂质散射电子是基础知识，但问题限定纯金属并追问通常温度范围内最显著因素时，真正主导的是晶格热振动。8个前沿单模型中5个被“杂质+温度”组合带偏；Fusion Model在3次运行中都先锁定限定条件，只保留题目真正询问的层面。这说明Fusion Model更稳定地抓住决定答案的那一层。