蓝耘把五个顶级 AI 塞进一个模型，我出了三道刁钻题让他们打一架

蓝耘最近悄悄上了个新模型，叫 automodel。一次叫五个顶级大模型去解题，看看到底行不行。

故事是这样的。

这两天我刷到蓝耘上了一款新模型，名字叫 automodel。

我第一反应是，缝合怪啊这是。

点进去一看，果然是把五个当下最猛的模型塞进了一个入口，Gemma3-27B、Qwen3-VL-32B-Instruct、DeepSeek-V3.2、MiniMax-M2.5、GLM-5.1，一个不落。

这种「模型路由器」的玩法不算新了。前两年就有厂商做过，思路也不复杂，你把问题扔过去，后台看哪个模型擅长这个，就派它上。

你问代码生成，DeepSeek 出马。你丢个视觉问题，Qwen3-VL 上场。你写个长文档分析，GLM 顶上。理论上，每个问题都能找到最对口的那位选手。

听着挺美好的对吧。

但是不是真的美好，谁知道呢。得拉出来遛遛。

接入其实不复杂，三分钟搞定

我是用 Cherry Studio 接的它，整个过程也就三分钟。

打开 Cherry Studio，找到模型服务这块，点左下角的添加按钮，弹出添加模型的窗口。这里要填两个东西，一个是 API 地址，也就是 https://maas-api.lanyun.net，另一个是模型 ID，直接输入 automodel 就行。

API KEY 得去蓝耘的 MaaS 平台拿。打开蓝耘控制台，左下角找到系统管理里的 API KEY 管理，点创建 API KEY，然后复制那一串 sk-ak 开头的密钥，回到 Cherry Studio 粘到 API 密钥那里。

粘完之后记得点一下右边那个对勾按钮检测一下，看到绿色的「连接成功」弹出来，就齐活了。

说实话这个流程比我想的简单。复杂模型通常意味着复杂的接入成本，蓝耘这个至少在接入这一关没给我添堵。

一切准备就绪，可以开始测试了。

三道刁钻题，五位选手上擂台

接下来就是正片了。

我准备了三道题，难度逐级上升，分别考察推理能力、代码能力、还有综合调度能力。

为啥挑这三块？因为这正是 automodel 这种路由模型最被诟病的地方。五个模型来回切，调度能不能切对？会不会把简单问题扔给最贵的那个？能不能真的像宣传的那样「任务级最优」？

光听宣传没用，咱们实测一遍。

第一题，逻辑推理

题目是这样的，「A、B、C 三人中有一个说谎者。A 说，B 在说谎。B 说，C 在说谎。C 说，A 和 B 都在说谎。请用一步步推理得出到底谁在说谎，谁说真话。」

看着简单吧，这种题目小学奥赛就见过。但实际上是一道经典的逻辑陷阱题，思考路径稍微偏一点就绕不出来。

我把同样的题目分别扔给了 automodel、DeepSeek、GPT。

automodel 给的答案是「B 说真话，A 和 C 说假话」，并且把整个推理过程写得很完整，从假设到验证到最终结论，一步一步来。

DeepSeek 给出了同样的答案，但多加了一句话，「如果坚持只有一个说谎者，则题目条件无解」。这个提示挺关键的，说明它真的把题目当逻辑问题拆解了，而不是套答案模板。

GPT 给出的答案就有点不一样了。它列了三种假设情况，每种都不成立，最后得出结论，题目本身不满足条件的答案，建议修改题目的某个表述。

三家答案在表述方式上略有差异，但核心逻辑都对。automodel 在这一步的表现，至少不比单兵作战的 DeepSeek 差。

这里有一个细节我想提一下。automodel 处理这种逻辑推理任务的时候，明显调用了 DeepSeek-V3.2 这个底座，因为推理风格几乎一模一样。这说明后台的路由判断是准的，它知道这种长链逻辑该派谁上。

这个测试目的，是看它能否展现出极强的逻辑链推理（CoT），不被绕晕。

第二题，代码生成

我给三家的题目是，「用 Python 写一个单文件函数，输入一个 List，不借助任何第三方库，在 O(n) 时间复杂度和 O(1) 空间复杂度内找出其中未出现的最小正整数。要求写出极致简洁优雅的代码并附带说明。」

这题是 LeetCode 第 41 题，经典中的经典。难的不是做出来，是做漂亮。

DeepSeek 给的 Python 实现，是用原地哈希表的思路，把 nums[i] 放到 nums[i]-1 的位置上，然后扫描找第一个不满足的位置。代码很优雅，注释也清楚。

GPT 给的方案思路差不多，但实现细节略有不同，交换条件的写法不一样。

automodel 给的代码，跟前两家几乎是同一个套路，只是变量名和注释风格有差异。

这种结果其实挺合理的，因为这题本来就有一个标准的最优解，三家都奔着最优解去写，自然会写得很像。

但反过来想，这也说明 automodel 在代码任务上大概率调用的也是 DeepSeek 或者 GLM，因为风格对得上。

不管调用的谁，结果是准确的，边界条件考虑到了，效率符合要求。这就够了。

第三题，混合作业

第三题我故意搞得很刁钻，「分析下面这句话的语法错误，并用英文重写，最后附带一段可以输出重写后文本的 Bash 脚本，'He don't know where is the nearest bank.'」

这道题同时考察三件事，语法纠错、跨语言改写、脚本生成。三个任务叠加在一起，正好是路由模型最考验调度能力的场景。

把题目扔给 automodel，它在一次对话里把这三件事全办了。语法错误找得很准，主谓不一致和语序问题两个都指出来了，英文重写版本是「He doesn't know where the nearest bank is.」，然后给了一段 Bash 脚本，输出重写后的句子。

我又把同样的题目扔给 GPT 和 DeepSeek，对比了一下。三家都能完成，但写法不太一样。automodel 的 Bash 脚本里用了一个 corrected_sentence 变量来承接重写结果，比直接 echo 显得更工程化一点。

这种「语法纠错+翻译+脚本」的混合任务，能一次给齐，说明路由系统在调度的时候没把任务拆碎，而是把它当作一个整体派给了最合适的那一位。

这一点其实是最让我意外的。

很多路由模型的真实表现是，遇到复杂任务就开始犯迷糊，要么把多个子任务拆给不同模型导致上下文丢失，要么就一股脑全塞给最贵的那个浪费资源。

automodel 这块处理得还行，至少没让我看到明显的调度事故。

真上生产环境，结果还不错

测完三道题，我心里的结论是，automodel 至少是及格线以上的。

但我想了想，光做几道题还不够。这种模型最终还是要落到真实业务里，能不能扛住生产环境的考验才是关键。

正好我手上有个项目，叫 AI 人生规划师，是用 Next.js 写的，已经开源到 GitHub 了。

之前这个项目的核心对话是用单一模型驱动的，效果还行但有点单调。换句话说，每个用户的问题都由同一个大脑回答，缺乏多样性。

这次我直接把 automodel 接了进去，让它根据问题的类型自动派给不同的子模型。

比如用户问职业规划，DeepSeek 来答，逻辑严密。用户问学习成长建议，Qwen 来答，调性更活泼。用户问财务规划，GLM 来答，更专业。

跑了两天下来，效果确实有改善。最明显的是回答的多样性上来了，不再是单一模型的固定腔调。

顺便还把项目的视觉风格也升了一下。原来是冷色调，换成了更温和的渐变色，看起来没那么「硬核」，更像一个陪伴型的产品。

这个项目是开源的，地址放在下面，感兴趣的朋友可以 star 一下，或者直接拿去二开都行。

GitHub 地址：GitHub – Leterhong/ai-life-planner · GitHub

写在最后

回到 automodel 这个产品本身。

坦率的讲，它不是完美的。三个测试都是单回合测试，没有长时间对话的记忆评估。也没有覆盖到多模态、视频理解、Agent 工具调用这些更复杂的场景。

但作为一个「五合一」路由模型，它在三道刁钻题上的表现，让我对这种「模型路由器」的产品形态有了新的看法。

去年的时候，我对这种「模型路由器」是有点不屑的。总觉得这是打不过单兵王者的无奈之举，把好几个二线模型拼一起，看起来功能全面，其实每项都不精。

automodel 这次让我意识到，我可能有点偏见。

如果路由调度真的能做到任务级最优，那「五个 90 分的模型」可能真的比「一个 99 分的模型」更实用，因为 90 分覆盖的领域更多，99 分可能只在一个领域特别突出。

这个想法对不对，我现在也不敢说死。

但有一件事我可以确定，下次再有人问我「我该用哪个模型」的时候，我会多问一句，「你的问题类型是单一的还是混合的？」

如果是单一垂直问题，那就挑那个领域的王者。如果是混合问题，那 automodel 这类路由模型，可能真的值得一试。