Мультимодельная оркестрация – модная нынче ставка: вместо одной модели дёргаешь несколько разом, а отдельная модель-судья сводит их ответы в один. OpenRouter продаёт это под именем Fusion, Sakana AI – под именем Fugu, и обещание у обоих одно: связка обходит любую одиночную модель. Я решил проверить на реальных рабочих задачах – и первое место действительно занял оркестратор, обойдя и Claude, и GPT, и Gemini поодиночке.

Звучит как слайд из презентации вендора – примерно это и написала про свой Fusion команда OpenRouter. Но у меня остались логи всех 541 API-вызова: токены, деньги, время. И они портят красивую картинку. Например, 68% всех денег внутри Fusion уходит на один-единственный Claude Opus – выходит, за качество я доплачиваю больше чем вдвое, по сути, за обёртку вокруг модели, которую мог вызвать напрямую.

Дальше – по логам: как Fusion устроен изнутри, какие модели он дёргает на самом деле, где оркестрация реально бьёт одиночную модель, где сливает ей, и окупается ли она своих денег и полутора минут на ответ.

Контекст: бенчмарк бизнес-задач

Я веду mysummit.school – проект про ИИ для менеджеров, и бенчмарк AI-моделей начался с простого рабочего вопроса: какую модель советовать студентам-менеджерам. Веду его с начала 2026 года. Задания – реальные рабочие задачи менеджера: анализ данных, коммуникация, планирование, управление командой, решение проблем. Никакого абстрактного кода и олимпиадной математики, только то, чем занят рабочий день. Контекст – российские и СНГ-реалии: трудовое право, локальные провайдеры, специфика рынка.

Оценивают два судьи – Claude Opus 4.6 и Gemini 3.1 Pro (для консистентности еще не мигрировал на мощные модели). У каждого свой характер: Gemini завышает в среднем на +0.39, Claude занижает на −0.53. Поэтому я применяю коррекцию смещения и взвешиваю оценки 30/70. Система не идеальная, но воспроизводимая и прозрачная – по крайней мере, видно, откуда взялась каждая цифра.

Что такое OpenRouter Fusion

OpenRouter Fusion – оркестрационный слой поверх обычных моделей: вы отправляете один API-запрос с model: "openrouter/fusion", а внутри разворачивается пятиэтапный конвейер.

Работает это так. Панель (группа моделей для сбора ответов) из 1–8 моделей отвечает параллельно (по умолчанию – Claude Opus, GPT-latest, Gemini Pro). Судья сравнивает их ответы и выдаёт структурированный JSON: где консенсус, где расходятся, чего не хватает, что все трое проглядели. Температуру судьи держат на 0. Финальная модель уже из этого разбора собирает ответ. Веб-поиск (web_search, web_fetch) доступен всем участникам конвейера.

Тут есть нюанс, о котором легко забыть: модель сама решает, звать ли панель. На простом запросе она вполне может ответить напрямую. Чтобы гарантированно прогнать запрос через всю панель – а в бенчмарке мне это было нужно – ставишь tool_choice: "required".

По деньгам получается N вызовов панели плюс вызов судьи плюс вызов синтезатора. На дефолтной тройке это выходит примерно в 4-5 раз дороже одиночного запроса.

Что Fusion вызывает на самом деле: данные из логов

От теории – к логам. У меня есть экспорт активности из OpenRouter за весь прогон бенчмарка. Вот что Fusion реально вызывал:

Первое, что бросается в глаза: Claude Opus 4.8 – это половина всего Fusion. 51,4% вызовов, 68.5% стоимости. По сути Fusion – это Opus, которому через плечо заглядывают GPT-5.5 и Gemini. Плачу ли я за обёртку вокруг того же Opus? Похоже на то. Насколько – посчитаю по деньгам.

GPT-5.5 – второй по объему (31.4% вызовов), но стоит вдвое меньше Opus из-за разницы в ценах на токены. Gemini 3.1 Pro – самый дешёвый участник: 93 вызова за $5.43.

Сколько это стоит по сравнению с одиночной моделью

Для сравнения я взял Claude Fable 5 – модель, которая заняла третье место в бенчмарке и которую я прогонял через Anthropic API напрямую.

Claude Fable 5 (прямой API) съел 208 тыс. input-токенов и 958 тыс. output-токенов. При цене $10/MTok на вход и $50/MTok на выход это ~$50 за весь набор задач.

OpenRouter Fusion на тех же 80 сценариях обошёлся в $113.47 – в 2.27 раза дороже, чем запуск одной топовой модели.

Оправдана ли эта разница? Зависит от того, что вы получаете за неё.

Результаты: общий рейтинг

Топ моделей в бенчмарке:

Fusion лидирует с отрывом 0.26 балла от второго места. Для контекста: разница между 2-м и 9-м местом – 0.50 балла. То есть Fusion вырвался вперед примерно на половину того диапазона, что отделяет «отличную» модель от «очень хорошей».

Оговорюсь сразу: Fusion – оркестратор, а не модель. Формально он не участник бенчмарка в том же смысле, что Claude или GPT. Я затащил его в прогон ради одного вопроса: может ли синтез нескольких моделей обойти отдельные модели на реальных задачах менеджера. Оказалось, что да. Хотя ставить его в один ряд с одиночными моделями – затея немного лукавая. Документ, который вычитали три редактора, конечно, выйдет чище черновика от одного. Но и времени с деньгами на него уйдёт втрое больше.

Средний балл мало что говорит сам по себе. Смотреть надо по категориям.

Покатегорийный разбор: где Fusion выигрывает и где проигрывает

Я сравнил Fusion с Fable 5, потому что Fable – ближайший конкурент, доступный через один API-вызов.

Fusion – первый в 6 из 8 категорий. Но два наблюдения заслуживают внимания.

В планировании Fable 5 обходит Fusion. На 0.08 балла, но обходит. В управлении командой у них ничья (9.21 у обоих), и по формальному ранжированию первой идёт Fable. Обратите внимание, что это за задачи: построить план проекта, подготовить оценку сотрудника, провести трудный разговор. Везде важна цельность нарратива. И вот здесь синтез из нескольких источников, похоже, скорее мешает – в готовом плане проступают «швы» между тем, как эту задачу видели разные модели.

Самый большой отрыв – в информационном поиске, +0.75. Тут-то мультимодельность и выстреливает. Три модели с доступом к вебу ищут параллельно, натыкаются на разные источники, судья их сводит, синтезатор вычищает повторы. На задачах «найди и сопоставь» одна модель так не может физически – у неё один заход в поиск, а не три.

Стабильность: кросс-категорийная дисперсия

Есть показатель, на который редко смотрят – стандартное отклонение оценок между категориями. По нему видно, насколько ровно модель тянет разные типы задач.

• Fusion: SD = 0.14

• Fable 5: SD = 0.38

У Fusion разброс самый маленький в бенчмарке, ни одной провальной категории. Fable 5 гуляет заметно сильнее: 9.26 в планировании и всего 8.14 в поиске. За это и платим.

Оговорюсь как аналитик, чтобы не выдавать желаемое за доказанное. Разброс я считаю всего по 8 категориям – доверительные интервалы тут широкие, и формально разница едва проходит порог значимости. Плюс часть эффекта – это ceiling: оценки Fusion жмутся к верху шкалы, а там вариться попросту негде. Да и добрая доля отрыва Fable держится на одном провале в поиске: уберёшь его – и её разброс падает с 0.38 до 0.31. Направление я считаю устойчивым, но сравнивать по баллам, не так важно, конечно же.

Что умеет Fusion, чего не может одиночная модель

Числа показывают, что Fusion выигрывает. А за счёт чего – видно из текстовых комментариев судей. Одну их строчку я считаю чуть ли не главной во всей статье, но начну со слабости: она честнее.

Про работу в целом судьи написали так:

«Лидер рейтинга с уникальным форматом многоуровневого синтеза. Выдает аналитику уровня ведущего консультанта с прозрачным разбором согласий и противоречий экспертов. Главная слабость – избыточная длина ответов из-за включения сырых промежуточных выводов моделей.»

Длина – действительно больное место. Fusion не ограничивается синтезом. Он то и дело волочёт в финал промежуточную кухню панели: «модель A считает X, модель B считает Y, консенсус такой». Для аналитики это плюс, виден весь спектр. А там, где нужен один ответ, получаешь простыню, которую приходится вычищать глазами.

А теперь та самая строчка – про анализ и решения:

«Высокие оценки за переформатирование ложных дихотомий и чёткие критерии решений.»

Вот что Fusion умеет, а одиночная модель нет. «Ложная дихотомия» – это когда задача навязывает выбор «A или B». Fusion в ответ выкатывает: одна модель ушла в A, другая в B, третья заявила, что сам выбор поставлен неверно. Три ответа – и вдруг видно, что выбор-то ложный. Одиночной модели тут не с чем сравнивать: ей дали два варианта, она из двух и выбирает.

Для сравнения: что сказали о Fable 5

Про неё судьи писали примерно одно и то же, в трёх формулировках:

«Сильная модель для руководителей в планировании и управлении командой. Избегайте её в задачах с точными расчетами из-за ошибок в цифрах.»

«Прекрасно находит искажения в протоколах и строит схемы контроля. Слабость – мелкие ошибки в подсчетах.»

«Великолепно готовит оценку сотрудников и сценарии диалогов.»

Ошибки в цифрах всплывают в каждом втором комментарии – видимо, её фирменное. В остальном Fable 5 – из тех, кто хорош в своём. План, люди, разговоры – отлично. Цифры и поиск – лучше не подпускать. У Fusion такого профиля нет вообще: он нигде не проваливается, но и таких пиков, как у Fable 5 в планировании, за ним я не видел.

Что говорят чужие бенчмарки: DRACO и self-fusion

Наш бенчмарк – не единственный, где Fusion показал результаты. В июне 2026 года OpenRouter опубликовал собственные тесты.

Результаты:

В этой схеме две строчки, ради которых стоит остановиться.

Первая удивила меня сильнее всего: Opus 4.8, склеенный сам с собой (два экземпляра плюс судья), выдал 65.5%. Это на 6.7 пункта выше, чем тот же Opus в одиночку (58.8%), и почти вровень с Fable 5. Модель одна и та же, данные те же, а два прогона с последующим синтезом дают скачок на ровном месте. Выходит, объяснение «просто разные модели знают разное» тут не срабатывает – разных моделей нет вообще.

Косвенно это бьётся с разбивкой прироста. В одном разборе на YouTube прикинули, что грубо три четверти выигрыша даёт сам этап синтеза (судья плюс финальная сборка), и лишь четверть – разнообразие панели. Это оценка одного энтузиаста, а не измерение, так что за точность цифры не поручусь. Но с моими данными она хотя бы не спорит: похоже, весь фокус в рефлексии над черновиками, а не в том, кто их написал.

Бюджетная панель (Gemini 3 Flash + Kimi K2.6 + DeepSeek V4 Pro) набрала 64.7% – в пределах одного процентного пункта от Fable 5, при стоимости примерно вдвое ниже. Для тех, кому Fable 5 недоступен (доступ из России заблокирован), это рабочая альтернатива. Для местного читателя это, наверное, самый практичный расклад во всей статье.

Длительность ответа: для чего это подходит

Среднее время ответа Fusion – 72 секунды. Больше минуты на один запрос. На 541 вызове это складывается в часы ожидания, и весь прогон я гонял фоном, между другими делами.

Для сравнения:

• Claude Opus напрямую: ~30–45 секунд на сложных задачах

• GPT-5.5: ~20–40 секунд

• Gemini 3.1 Pro: ~15–25 секунд

72 секунды убивают чат-ботов и batch-обработку – любой сценарий, где пользователь ждёт ответ в реальном времени, отпадает сразу. Зато на задачах, которые вы раньше отдавали внешнему консультанту – стратегический анализ, подготовка отчёта, проверка критического решения, – минута ожидания не стоит разговора. Аналитик потратил бы на ту же работу пару часов.

Экономика: стоит ли оно того?

Посчитаем. За 80 сценариев через Fusion вы платите $113.47; за те же сценарии через Fable 5 – $50.01. Разница – $63.46, то есть примерно $0.79 на сценарий сверху.

Что вы получаете за эту доплату: +0.27 балла средней оценки (9.03 против 8.76) и стабильность (SD 0.14 против 0.38).

Нагляднее всего это видно, если свести всё к одной задаче и принять Fable 5 за единицу. Fusion сжигает в 15 раз больше токенов и стоит в 2.3 раза дороже – а качество прибавляет всего на 3%.

Стоит ли это для вашего бизнеса – вопрос к вам. Готовите стратегический отчет для совета директоров – наверное, да. Обрабатываете тысячу обращений в поддержку – очевидно, нет.

Есть и другой ракурс. Fusion на 68% состоит из Claude Opus 4.8. Opus 4.8 занял бы второе место, если бы участвовал отдельно (в бенчмарке есть Opus 4.6 и 4.7, но не 4.8). То есть можно просто взять Opus 4.8 напрямую и получить примерно 80% качества Fusion за 30% его стоимости. Правда, вместе с экономией вы потеряете стабильность и кросс-проверку тремя парами глаз: в категориях, где Opus слаб, его вытягивают GPT и Gemini.

Итог

Если свести всё вместе, картина такая. Fusion берёт верхнюю строчку по качеству среди моделей в нашем бенче и держит её ровно по всем категориям. Три модели проверяют друг друга и сбивают часть галлюцинаций. Веб-поиск у всех троих. А кривую постановку задачи, которую одиночная модель проглатывает не глядя, здесь иногда ловят – когда как.

А самый практичный вывод для местного читателя даже не про Fusion в дефолтном виде. Fable 5 из России заблокирован, но бюджетная панель (Gemini 3 Flash + Kimi K2.6 + DeepSeek V4 Pro) в тесте DRACO подошла к нему на один процентный пункт – вдвое дешевле и целиком из доступных моделей. Про эту связку я уже сказал выше, но повторю: собирать стоит именно её, а не переплачивать за дефолтную тройку с Opus внутри.

Главное, что показали логи: мультимодельная оркестрация работает. Прирост реальный – на анализе, на поиске, кое-где на решении задач. Плюс та самая ровность, которой в одиночку не добьёшься. Полный бенчмарк с фильтрами – на mysummit.school/research/benchmark.

Ограничения методологии

В комментариях к первой статье справедливо указали на слабые места бенчмарка. Часть из них я закрыл, часть осталась.

В бенче, начиная с мая, я исправил главное. Шкалу расширил с 1–5 до 1–10 – потолок Gemini-судьи (45% оценок «5,0» в v1) перестал сжимать верхний диапазон. Набор сценариев вырос с 4 до 10 на категорию (80 вместо 32). Минимально детектируемая разница (MDD) упала с ~1,25 до ~0,50 балла. Результаты верхних моделей теперь идут кластерами, а не линейным рейтингом.

Но кое-что осталось. Два LLM-судьи – это два мнения, а не абсолютная истина (ground truth). Коррекция смещения (70/30) помогает, но не устраняет проблему полностью. Разница в 0,27 балла между Fusion (9,03) и Fable 5 (8,76) измерима и воспроизводима в моей методологии, но не дотягивает до статистически значимого отличия в строгом смысле – p-adj в HSD для соседних моделей по-прежнему высокий. Внутри топ-5 модели честнее считать кластером, а не ранжированным списком.

Честно про AI в этой статье

Раз уж весь текст про то, где AI помогает, а где нет, будет странно умолчать, что и статью я писал не в одиночку.

Данные, выводы и структура – мои. Логи, цифры, таблицы, разбор по категориям, оценка экономики и методологические оговорки – всё это я собирал и считал сам, AI тут ничего не придумывал. По ощущениям это процентов 80 работы.

А вот в чём мне помогала модель: причесать формулировки, переписать пару кусков (схему конвейера Fusion, пересказ комментариев судей). Черновик после этого я вычитывал руками – так что за каждую цифру и каждый вывод отвечаю я, а не модель.

Пишу это не ради галочки. Если статья про оценку AI-инструментов, то и про собственный процесс врать глупо.