北京积算科技有限公司（以下简称“积算科技”）Token API平台正式上线多模融合服务。该服务面向复杂问答、方案分析、技术调研、内容生成、知识库问答、代码辅助等场景，通过“多模型候选生成 + 评审融合”的方式，多个大模型对同一任务并行生成候选答案，评审模型识别各方的共识、差异与盲区，最终生成一个任何单一模型都无法独立输出的综合结果，突破单一模型的能力上限。
这是积算科技Token API平台在AI 服务能力上的一次重要升级。过去，平台更多解决的是模型接入和模型调用问题。随着企业AI 应用不断深入，用户真正需要的不只是更多模型选择，而是面向复杂任务持续提供更稳定、更完整、更可用的高质量输出。多模融合服务的上线，意味着积算科技Token API平台正在从模型接入，进一步走向模型编排、结果评审和智能服务融合。
大模型能力持续发展，但企业在实际使用中也面临一个现实问题：没有任何一个模型能够在所有任务中始终保持最优。不同模型在推理能力、中文表达、长文本理解、代码生成、知识问答、信息整合等方面各有所长。过去，用户通常需要在多个模型之间手动切换，或者根据经验选择某一个默认模型，这不仅增加了使用门槛，也容易让任务结果受到单一模型能力边界影响。
多模融合的核心价值，是让平台承担模型组织、任务分发、结果比对与答案融合的工作。用户只需发起一次请求，平台即可自动组织多个候选模型并行生成结果，再由评审模型进行综合评审，最终输出融合后的答案。
这意味着，AI服务不再只是“把问题交给一个模型回答”，而是由多个模型围绕同一个任务协同工作。不同模型的能力可以在同一次任务中形成互补，平台则负责将这些结果进行分析、判断和融合，从而提升复杂任务输出的完整性、一致性和可用性。
本次上线的多模融合多模融合服务，首版采用多款主流大模型作为候选模型，并引入高性能模型作为评审模型。在一次融合调用过程中，平台会将用户请求并行发送至多个候选模型。不同模型生成独立答案后，评审模型会对候选结果进行分析和评审，识别其中的共识内容、差异判断、遗漏信息和独特观点，并在此基础上生成最终融合结果。
因此，多模融合并不是简单地把多个模型答案拼接在一起，也不是对多个答案进行简单投票，而是通过平台级的模型组织和评审机制，让不同模型能力在同一个任务中形成互补。尤其是在需要多角度分析、跨信息整合、复杂判断和高质量表达的任务中，多模融合能够有效减少单一模型的偶然偏差，提升结果的稳定性和可用性。
在DRACO测试中，积算科技多模融合服务取得53.9%的成绩，高于当前候选池中的各单模型表现。测试结果表明，“多模型候选生成+评审融合”能够在复杂任务中带来实际效果，而不是简单的模型调用叠加。后续随着候选模型池扩展、评审策略优化和场景化模板增强，多模融合服务仍具备进一步提升空间。
在OpenClaw、Hermes、OpenCode等智能体框架中，开发者只需将“多模融合”API作为模型服务配置完成，在模型名称处填写“fusion”，即可像调用单个模型一样正常调用。框架原有的对话、推理、工具调用等能力均可直接复用，多个模型的编排与融合由平台在后端自动完成，对开发者透明。
当前内测配置中，多模融合API可选用当前多个不同品牌的主力开源模型作为候选模型及评审融合模型。后续，平台将根据使用反馈持续优化候选模型组合与评审策略。
多模融合API的价值，在需要综合权衡的复杂任务中体现得尤为明显。以制造业的边缘AI部署为例：一家电子制造企业计划在数十条生产线上部署视觉检测系统，需要在YOLOv8、RT-DETR、EfficientDet等多个模型之间做选型，同时权衡推理延迟、精度损失、功耗成本与长期可维护性等多个维度。这类需要综合取舍的技术决策，单一模型往往只能覆盖其中一部分，容易给出片面甚至自相矛盾的结论。多模融合API让多个模型并行作答，再由评审融合模型在各维度上交叉比对、综合评审，最终给出带有明确权衡结论与落地建议的综合方案，而非单一视角的答案。
后续，积算科技将持续扩展候选模型池，优化评审策略，并建设面向技术调研、方案评审、营销内容生成、知识库问答、代码辅助等场景的融合模板，帮助企业用户更快接入和落地。
从“调用一个模型”到“调用一组模型协同工作”，多模融合正在成为AI服务质量提升的重要方向。未来，积算科技将继续围绕模型接入、智能路由、多模型融合和场景化AI服务，帮助企业用户更高效地释放大模型价值。
