国产 AI 新范式：模型群体智能以九项基准第一、成本低至对手2% 刷新大模型性价比极限

近日，AI 基础设施公司南芥智能发布了一份颠覆性的技术报告，提出并验证了“模型群体智能”（Collective Model Intelligence）的新范式。该方案不再依赖单一超大参数模型的堆砌，而是通过系统性地协调多个不同开发者训练的独立模型，形成高整合度的智能体系。在此框架下诞生的 Mio 1.0 Lite 系统在近期的一场行业评测中展现出惊人的竞争力，不仅以平均得分 77.15 分荣登十三种参评方案榜首，更将每次请求的平均成本控制在约 0.062 元，仅为部分国际顶尖模型的百分之二左右。

本次评测是一场涵盖八款单体模型与四款路由产品的“诸神之战”，参评名单包括国际前沿的 GPT-6.1 Sol、Claude Opus 5.5，以及国内的 Kimi K3、GLM 5.3、Qwen 3.8 Max、DeepSeek V4.1 Flash 等主流产品。结果显示，虽然 Mio 1.0 Lite 的平均成本低于所有参评方案，其综合得分也超越了成本最高的 GPT-6.1 Sol（高出 6.35 分）以及低成本方案 Qwen 3.8 Flash（高出 14 分），在性价比维度实现了降维打击。

在具体任务表现上，Mio 1.0 Lite 展现出极致的效率优势。它在 AutomationBench、PinchBench、BFCL V3、IFBench 和 GPQA Diamond 五项关键基准上均取得第一。特别是在函数调用能力评测 BFCL V3 中，其单次请求成本约为竞争对手的四十分之一；在指令遵循测试 IFBench 上得分高达 92.00，远超第二名。尽管在非工具使用的“人类最后的考试”项目上与第一名存在约 8 个百分点的差距，但即便如此，其成本仍比最高分方案低 97.5%。

这一现象揭示了“模型群体智能”的核心逻辑：单一排行榜平均分往往掩盖了模型间的差异，而复杂任务通常包含理解、推理、工具调用等多个环节，不同模型在这些环节的擅长程度各不相同。通过识别并利用模型间的互补能力，系统将适合当前步骤的成本较低的模型安排在相应环节，仅将预算投入到难度最高的关键节点，从而在保证质量的前提下大幅降低资源消耗。

为支撑这种多模型的高效协作，南芥智能构建了包含三个核心组件的完整框架。首先是 Model Eval 负责低成本地评估模型在特定领域的得分，仅需少量题目即可推断其跨领域表现；其次是 Mio（Models in One）负责维护互补模型池，根据任务进展和剩余预算动态调度最优模型组合，其在中文场景下的选择稳健性已通过包含噪声干扰的大规模数据集验证；最后是 Mos（Model Serving OS）统一管理接口与缓存，通过共享预热机制将大模型文件读取速度提升 23.3 倍以上。

报告指出，单独评测时那些并未在单项榜单名列前茅的国产高性价比模型，一旦被组织起来协同工作，其综合战斗力便能反超成本高出数十倍的单体前沿模型。相关技术报告、代码及评测数据集已开源，业界可访问 GitHub 仓库查阅更多细节。这一实践标志着大模型应用从追求单一模型规模的竞赛，转向了通过智能协作释放群体潜能的新阶段。