Китайские AI‑модели делают ставку на мульти‑модельную маршрутизацию и экономичные архитектуры
Китайские большие языковые модели ищут путь к коммерческому применению через подходы, которые снижают стоимость вычислений. По мере того как AI выходит из лабораторий в корпоративную среду, становится очевидно: самые мощные модели одновременно оказываются и самыми дорогими в эксплуатации. Системы уровня GPT-5.5 и Claude Opus показывают высокие результаты, но их круглосуточное использование для корпоративных задач часто оказывается экономически невыгодным.
В ответ появился инженерный подход с распределением задач между несколькими моделями. Его называют multi-model dynamic routing или Fusion technology. Сложная задача отправляется сразу нескольким моделям параллельно, после чего отдельная judging model собирает и объединяет их ответы. В бенчмарке DRACO deep research группа «budget model group» (Gemini 3 Flash, Kimi K2.6 и DeepSeek V4 Pro) превзошла отдельную GPT-5.5 и приблизилась к результатам комбинаций top-tier frontier model при 50% стоимости. При этом две из трех моделей в группе китайские, хотя по производительности они заметно уступают GPT-5.5.
В материале такая схема описана как hybrid agent architecture (MoA). Frontier‑модели от Anthropic и OpenAI выступают «мозгом» оркестрации и используют меньше половины token для поиска консенсуса и сложного рассуждения. Китайские и open-source модели, DeepSeek, GLM и Kimi, берут на себя роль исполнительных звеньев: читают большие массивы документов, параллельно делают web‑поиск, генерируют базовый код. Одновременно усиливается и платформенная привязка, Anthropic развивает Claude Code, OpenAI работает над Codex, а Zhipu AI обновляет ZCode 3.0, тесно связывая его со своей моделью GLM.
Ключевые факты
В бенчмарке DRACO группа моделей Gemini 3 Flash, Kimi K2.6 и DeepSeek V4 Pro превзошла одиночную GPT-5.5 и приблизилась к результату топовых комбинаций frontier‑моделей при 50% стоимости.
Fusion‑подход предполагает распределение одной задачи между несколькими моделями с последующей агрегацией результатов отдельной judging‑моделью.
В описанной архитектуре MoA модели Anthropic и OpenAI выступают «оркестрационным мозгом», потребляя менее половины токенов для извлечения консенсуса и сложного рассуждения, тогда как DeepSeek, GLM и Kimi выполняют массовое чтение документов, веб‑поиск и базовую генерацию кода.
Anthropic развивает Claude Code, OpenAI, Codex, а Zhipu AI обновила ZCode 3.0 для тесной связки со своей моделью GLM.