# 一个模型搞定一切的时代正在落幕

微软一口气发布了七个 AI 模型——不是一个更大的大脑,而是一个推理模型、一个编程模型、一个转写模型、一个语音模型,以及更多,每个都为单一任务而生。与此同时,前沿通用模型还在不断变强。这两件事同时成立,而它们之间的落差才是关键:头条上的竞赛比的是一个模型能不能包揽一切,但真正能在生产环境里跑通的,是一套精挑细选的专家组合。如今再问『哪个模型最好』,已经是问错了问题。

- **Author:** Fedor Chishchin
- **Published:** 2026-06-10
- **Tags:** ai-native, architecture
- **Source:** https://fedorthinks.com/zh/blog/one-model-for-everything-is-ending

---

这个月有两条新闻,挨在一起显得有点别扭。Anthropic 发布了 Claude
Fable 5,[这是它向公众开放的最强模型](https://techcrunch.com/2026/06/09/anthropic-released-claude-fable-5-its-most-powerful-model-publicly-days-after-warning-ai-is-getting-too-dangerous/) ——
通用前沿模型,一如既往地往上爬。而微软发布的不是一个模型,而是
[一口气七个](https://microsoft.ai/news/building-a-hillclimbing-machine-launching-seven-new-mai-models/):
一个推理模型、一个更小的推理模型、一个编程模型、一个图像模型、一个
转写模型,还有两个语音模型——每一个都为一种能力而造,而不是追求样样精通。

这两件事并不矛盾;它们是同一个走向的两半。所有人盯着看的那场
竞赛,比的是一个模型在所有事情上变得更强。而真正在生产环境里跑起来的,恰恰
相反:一摞专门化的模型,每个都只干它最擅长的那一件事。一旦你看清这个
分野,「哪个模型最好」就不再是一个站得住脚的问题了。

## 单一全能模型的时代正在收尾

有那么几年,大家心里的模型很简单:有一个最好的模型,你拿它干一切,等更好的
出来了你就换。这个时代正在悄悄结束。正如一篇综述所说,这个领域已经
[碎裂成一个个专门化的模型,每个都主宰着一种模态——一个模型包揽一切的日子已经过去了](https://www.snaplama.com/blog/best-ai-models-2025-2026-complete-comparison-guide-all-modalities)。
那些真正在搭建系统的人,越来越多地运行着一套*精挑细选的模型组合*,按任务来选,
而不是供奉一个钦定的冠军。

微软这次七个模型的发布,就是这套主张被全世界卖给最多企业的那家公司做成了
实物。他们没有去造一个转写、推理、编程、生成语音样样均衡的模型。他们造了一个
转写很在行的转写模型,和一个为编程调得又便宜又快的编程模型,并把它们设计成能
协同工作。这不是一种骑墙的对冲——它是一个明确的表态:最好的结果来自专家,
组装而成。

## 为什么「哪个模型最好」是个错问题

单一模型思维会一头撞进这样一个陷阱。一个通用的前沿模型,几乎从定义上
讲,对大多数具体任务都是*资历过剩、效率低下*的。用你最强的推理模型去转写
音频或重新排个日期格式,就像请外科医生来贴创可贴:能办,但荒唐。戛纳 AI
节就把这点摆了出来——企业之所以失败,不是因为 AI 不够强,
而是因为他们一再地
[把通用模型硬塞进会惩罚低效的生产系统里](https://www.snaplama.com/blog/best-ai-models-2025-2026-complete-comparison-guide-all-modalities)。

所以「哪个模型最好」这个问题没有答案,因为它漏掉了下半句:在*什么*上
最好。最好的转写模型在编程上很烂。最便宜的代码模型在视觉上毫无用处。前沿
通用模型在真正困难、开放式的问题上最强——而在其它所有地方都是杀鸡用牛刀,
又慢又贵。这是同一条道理的[模型层版本](/blog/one-agent-that-does-everything),
这条道理对智能体也成立:一个为单一任务打造的窄工具,胜过一个想包揽全部的通用工具。

## 搭一套组合,而不是押一注

务实的做法是别再去选*某一个*模型,而是开始组合一套堆栈——这
正是路由模式存在的意义。你把任务映射到模型上:专家模型用在它能赢的地方,
便宜模型用在常规活上,前沿通用模型只留给最硬的核心。几条原则:

- **有意识地让模型对上任务。** 转写交给转写
  模型,大批量分类交给一个小而快的,真正困难的推理交给前沿模型。别把一切都
  默认丢给你最强的模型——那是又贵又慢的偷懒方式。
- **路由,而不是挑选。** 一个产品不是一次模型调用;它是很多次。[把每一次都送给能处理它的、最小、最合适的模型](/blog/route-by-difficulty-not-by-default),
  只在不得不升级时才升级。架构是这套堆栈,而不是那个单一
  的选择。
- **把通用模型留给只有它能做的事。** 前沿模型在开放式、
  多步、新颖的问题上才配得上它的成本。对一切窄而
  定义明确的任务,专家模型更快、更便宜,而且往往更好。
- **让每个槽位都可替换。** 专家模型被替换得比通用模型
  还要快。在一道干净的接缝背后,换掉转写模型或代码
  模型只是改一行配置,而你的堆栈就一块块地悄悄变好。

## 归根结底

头条会继续给某个「最好的模型」加冕,因为一个不断攀升的
数字是个好故事。但价值真正被构建起来的方式,正在朝相反的方向走:
走向一摞专家,每个都在一件事上出类拔萃,组合成一个系统——
这正是微软用发布七个而非一个模型所传递的信号。前沿
通用模型依然重要;只不过它如今只是堆栈里的一个槽位,而不是
整个答案。

所以当你伸手去够「最好的模型」时,停一下,问那个更好的问题:在我的产品
真正要做的*哪一件*事上最好?按任务回答这个问题,组装起
专家们,在它们之间路由——你会得到一个比让单一一个出色通用模型去包揽
一切更便宜、更快、也更好的产品。一个模型的时代更简单。堆栈的时代,
只是更好。