如果一家大模型公司在自己的产品里接入竞争对手的模型,这件事放在两年前多少有些反常:既然已经投入巨资训练自家模型,为什么还要替别人提供入口?但到了今天,这种“反常”正在变成一种清晰的产业信号。
WorkBuddy 的官方模型列表里,除了腾讯混元,还出现了 GLM、MiniMax、Kimi 等模型;它不仅允许用户接入 OpenAI 兼容服务,还支持连接 Ollama 本地模型。千问 AI 平台也不再只有 Qwen,其“选择模型”页面已经把模型分为“千问模型”和“三方模型”,后者包括 DeepSeek、Kimi、GLM、MiniMax。更进一步,Qwen Code 可以直接配置 OpenAI、Anthropic、Gemini 和 Vertex AI 等不同提供商。
更直接的例子来自海外版。11 月 19 日,WorkBuddy 官方 X 账号宣布,WorkBuddy Pro 已上线 GPT-6.2 Astra、GPT-6.2 Sol 和 GPT-6.2 Terra。这意味着第三方前沿模型不再只是用户自行填写 API Key 的兼容选项,而是已经进入平台的正式会员产品。
这不是两家公司的偶然选择。GitHub Copilot 已经同时提供 OpenAI、Anthropic、Google、xAI、Microsoft、Kimi 等多家模型;Microsoft 365 Copilot 的模型选择器里,也同时出现了 OpenAI、Claude 和 Grok。
所以答案可以先说在前面:多模型正在成为 AI 工作台、编程工具和 Agent 平台的明确趋势。但这不代表厂商放弃自研模型,而是竞争的重心正从“只有我的模型可用”,转向“无论用什么模型,都在我的平台完成任务”。
多模型趋势首先来自一个朴素事实:模型没有全能冠军。
有的模型擅长长文本,有的更适合代码;有的推理更强,有的速度更快;有的能力全面,有的足够便宜。即便某个模型今天领先,也不代表下一次版本更新后仍然领先。
WorkBuddy 的官方文档甚至专门设计了“模型下线后的自动切换”:原模型不可用时,优先切到同系列新模型,否则改用系统默认模型。这个细节说明,对于持续运行的 Agent,模型版本已经不是可以永久写死的依赖,而是会被替换的运行资源。
如果工作台只绑定自家模型,就要承担两种风险:某类任务不够好,或者下一代发布节奏暂时落后。开放第三方模型,相当于把“谁是这一轮最强”的风险从产品本身剥离出去。
斯坦福《AI Index Report 2026》给出了一个值得注意的判断:头部模型之间的能力差距正在缩小,竞争压力正在转向成本、可靠性和真实场景中的实用性。
当多个模型都能完成任务时,把所有请求交给最贵、最强的模型并不合理。简单摘要可以交给便宜模型,复杂推理再调用强模型;一种模型失败,还可以换另一种重试。
UC Berkeley 等机构提出的 RouteLLM 验证了这种思路:根据问题动态选择强弱模型,在部分评测中可以把成本降低一半以上而不牺牲回答质量。关键不在某个数字,而在于模型路由已经成为可验证的系统能力。
因此,多模型平台不只是多放几个按钮。它真正想做的,是把模型选择变成调度问题:能力、延迟、预算和数据边界不同,请求就被送往不同模型。
聊天时代,用户容易围着模型品牌迁移:哪个模型更聪明,就打开哪个网页。
Agent 时代不一样。工具一旦接入文件、代码仓库、企业知识库和业务系统,又保存了技能、记忆、权限、自动化任务与审计记录,迁移成本就取决于整套工作上下文。
这解释了为什么模型厂商愿意接入“友商模型”。如果用户更想用 Kimi、Claude 或 GLM,平台要么拒绝,连同用户和付费关系一起失去;要么允许切换,把用户留在自己的入口、工作流和计费体系里。
后一种显然更接近平台生意。过去的逻辑是“我有模型,所以你来用我的产品”;新的逻辑是“你只要在我的产品里完成工作,用谁的模型都可以”。
OpenAI 兼容接口、Anthropic 兼容接口等事实标准,也在降低切换成本。千问 AI 平台可以用相同 API 格式提供 Qwen 和三方模型,WorkBuddy 可以通过兼容接口接入外部服务。接口逐渐标准化后,模型更像可替换的计算资源,上层的编排、评测和交付能力反而更难替换。
今天的多模型产品大多还在让用户手动选择模型,但这只是过渡阶段。普通用户并不想研究几十个模型名称,更不想记住哪个版本适合做表格、哪个版本适合写代码。
接下来更可能出现三种变化。
第一,模型选择器会逐渐退到后台。“Auto”将根据任务难度、模态、上下文、延迟、价格和合规要求自动路由,只有专业用户才需要手动指定。
第二,计费会从“订阅某个模型”转向统一 Credits。千问 Token Plan 已用统一 Credits 支持多模型切换,这种设计很可能越来越普遍。
第三,护城河会转向模型之外:上下文、工具链、真实任务评测,以及权限、审计、失败恢复和结果交付。
不过,多模型也会带来一个新问题:当系统自动替用户选模型时,数据究竟发给了谁?为什么这次用了这个模型?失败后是否切换过供应商?不同模型的数据保留和合规承诺是否一致?
因此,未来成熟的 AI 工作台不仅要有模型路由,还要有“模型回执”:记录实际调用的模型与版本、选择原因、数据边界、成本、重试和切换过程。否则,自动路由越聪明,用户反而越难知道自己的任务经历了什么。
WorkBuddy 和千问接入友商模型,并不说明自家模型不重要。恰恰相反,自研模型仍然决定成本下限、供应稳定性、技术话语权和差异化能力。只是对上层产品来说,强迫所有任务只用自家模型,正在从优势变成限制。
大模型竞争的上半场,是谁能训练出更强的模型;下半场则是,谁能把不同模型、工具和数据组织起来,稳定地完成真实工作。
未来最有价值的 AI 公司,未必是每一项模型评测都拿第一的公司,更可能是那个即使模型榜单不断变化,仍然掌握用户入口、任务上下文和结果交付的公司。
当模型可以被替换,真正不能轻易被替换的,是工作流。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。