标签
一篇关于混合智能体的论文（arxiv 2406.04692）表明，一组廉价开放模型利用去相关误差，在AlpacaEval 2.0上超越了GPT-4o。作者还分享了类似的真实世界发现：多个廉价模型比单个昂贵模型能发现更多漏洞。
埃默里大学与IBM研究院的一项研究提出了一种可验证的上下文治理方法，用于大语言模型，实现了97%的准确率，而成本仅为原来的三分之一。
本文证明，将代理工作流程序编译到小型微调模型的权重中，与上下文基线相比，实现了接近前沿的质量，成本降低128至462倍，解决了质量、成本和灵活性的感知障碍。
ZeroGPU推出了针对广告技术任务的专用小语言模型（SLM），与大型语言模型相比，成本更低、性能更快。这些小语言模型在CPU上运行，已帮助早期采用者Dappier将费用降低了50%。
这篇博客文章介绍了LEVI，一个用于AI驱动系统研究（ADRS）的框架，该框架通过对大多数变异使用较小模型，并保留大型模型用于范式转换，降低了算法发现的成本，实现了3-7倍的成本降低。文章主张将ADRS集成到CI/CD中，以实现每次部署的持续定制优化。
GLM 5.2 在 Vending Bench 业务模拟基准测试中排名第二，同时成本不到 Opus 的一半，以更低的成本展现了强劲性能。
OpenRouter的一个实验将11个LLM投入一个2D大逃杀游戏，发现Grok 4.1 Fast以低成本赢得了43%的对局，而Claude Sonnet 4.6赢的较少但表现出更多合作行为，凸显了基准测试得分与真实游戏性能之间的差异。
美国政府迫使Anthropic在发布仅数天后撤下了其最强大的模型Fable 5。OpenRouter的新基准测试显示，融合的预算模型面板能以一半的成本达到或超过Fable 5的性能，引发了对前沿模型价值的质疑。
文章认为，小型AI模型网络在速度、准确性和成本上正超越前沿AI系统，并预测向去中心化的'network-source AI'转变。
OpenRouter 推出 Fusion API，这是一种复合模型，能以一半的价格实现高智能，利用了最大的 LLM 市场。
本文挑战了多智能体系统优于单智能体系统的普遍说法，通过系统评估证明了自动生成的多智能体架构在性能上不如使用自一致性的思维链（CoT-SC），同时成本却高出高达10倍，并揭示了当前自动设计范式中的架构臃肿问题。
该推文批评了 AI 应用过度使用大型模型，并介绍了旨在根据不同请求匹配合适模型规模以提高效率的 Dari Router 工具。
一位开发者分享了他们在六个月后从智能体平台迁移到自托管技术栈的经验，指出了对模型选择、成本和执行隔离的更好控制，导致 Token 成本下降了 60%。
AI Gateway 的2026年5月数据显示，DeepSeek的代币份额飙升至17%，但支出极少，而 Anthropic 保持了65%的支出，表明路由策略注重成本且整体使用量在增长。
TechCrunch报道称，随着成本不断攀升，企业开始考虑转向更便宜、更小的AI模型，而非始终使用最强大的模型，这可能引发行业转变。布赖恩·阿姆斯特朗等人的预测表明，12-18个月内，80%的工作负载可能运行在价格便宜99%的模型上，这将严重冲击OpenAI和Anthropic等主要AI实验室。
斯坦福大学研究表明，本地模型现在能准确回答71.3%的真实世界查询，而2023年仅为23.2%，这表明大多数任务不需要前沿模型，未来将是多模型模式，多数工作负载由本地、开源模型承担。
对2026年前沿AI模型的全面比较发现没有单一的最佳模型；最佳选择取决于用例、约束条件和运营需求。
CRAFT 是一种帕累托前沿提示优化器，通过使用 NSGA-II 和预算感知验证，在准确率-成本权衡前沿上维持多样化的提示种群，从而联合优化准确率与 token 成本，同时避免加权求和方法所导致的"标量化坍塌"问题。
微软在模型发布卡上引入'平均Token使用量'作为衡量每美元智能的新指标，将AI竞争转向效率和成本效益。该指标在性能和实现智能的成本两方面对模型进行基准测试。
讨论路由和后训练开源模型如何在准确性、速度和成本上超越前沿模型。Harvey与Fireworks AI的合作表明，混合法律代理在质量和成本上均优于前沿模型。