当Claude、Gem气和GPT走进一家酒吧时，会发生什么？得到了迄今为止最糟糕的浏览器操作系统。今天我们要测试的是OpenRouter的Fusion功能。最近有一些人在视频评论中提到我应该对此进行测试，加上Claude Opus刚刚被移除访问权限这一事实，这使得它现在非常有趣。因为从理论上讲，正如我们在其中一个基准测试中看到的那样，将多个模型融合在一起——我们将稍后讨论这具体意味着什么——理论上可以仅凭自身就超越Opus 5。
然而，这里有一个前提条件：他们用来得出这些分数的特定基准测试更多地与深度研究任务等相关，而不一定是纯粹的编码能力。但整个前提并非完全新颖。使用多个模型一起工作的概念已经存在一段时间了，虽然这非常有趣。我确实想知道这样做是否会有某种成本，因为我们将结合使用多个最先进的模型。所以在深入之前，请随意订阅频道以帮助我达到10万粉丝的目标，让我们先看看他们所说的融合概念究竟意味着什么。
他们在介绍段落中指出，综合多个模型的结果可以显著超越单个模型的能力。因此，融合在这里的工作原理——至少在OpenRouter的特定情况下是这样的：你可以选择一组参与模型以及一个负责将各个结果融合在一起的评判模型。本质上，这只是从多个不同模型的回答中选取最佳部分，然后由评判模型将这些最好的片段融合在一起，为用户提供最终答案。这非常有趣，我确实不得不承认，我在很久以前尝试过类似的东西（那是5个月前发布的，即2024年底）。
我当时那样做简直是一场灾难。不过，我在该视频中还有一个功能：让模型互相审视彼此的工作成果，而不是合作完成，这确实让事情变得更有趣一些，但性能却较差。因此，他们展示了许多不同的模型组合及其得分。不幸的是，Opus 5也列在其中（安息吧）。不过，如果我们往下看第一个没有包含Opus 5的结果，我们会发现该结果将超越单独的Opus 5。那是由Opus 4.8综合而成的Opus 4.8加上GPT-5.5加上Gemini 3.1 Pro。
请记住，这里的分数特定于他们运行的基准测试，他们说其中包含了来自Draco基准的100个深度研究任务。他们发现的一些亮点如下：这并不像SWE-bench那样的通用基准，而是一个特定的测试。但他们确实展示了让这些模型协同工作可以获得一些提升。融合的主要目的基本上就是允许你将其称为一个独立的“模型”。
因此，如果我现在进入Open Code系统（这里可能有点小故障），我仍在调整具体设置。如果我输入模型slug，它将给我们正在使用的特定模型的名称，它会返回显示“Open Router Fusion”。正如我们在那里看到的那样。因此，这在本质上可以像调用一个新或特定的模型一样被调用。所以测试这些将非常有趣。
除了展示“好吧，如果你把所有这些最先进的、高端的昂贵模型捆绑在一起，它们表现良好”之外，他们这里还有不同的选项。包括一些开源权重模型如DeepSeek V4 Pro，以及混合搭配。在这种情况下，我们有Gemini 3 Flash加上另外两个开源权重模型，在这个特定测试中表现非常好，实际上比单独的GPT-5.5或Opus 4.8还要好。因此，这在概念上非常有趣。
首先，我们将直接在Web聊天界面中运行它，他们允许通过模型融合聊天面板使用此功能。当然，我们要从屡试不爽的浏览器操作系统测试V2开始。我们可以看到这里有一些预设选项，取决于用户想要使用哪种特定的模型组合。“质量”模式使用了Anthropic、OpenAI和Google across的最新最先进的模型。好吧，我们第一次尝试失败了。不过我还是点击了重试。
实际上我很高兴我们先从这个Web界面运行它，因为它给了我们更多关于幕后情况的洞察。第一步和第三步用于分析，我们可以展开每一个部分。基本上我们得到的是：好的，这三者都交付了文件。“架构围绕一个全局操作系统窗口中心展开。我正在查看至少有一个游戏使用DDA网格遍历的射线投射来产生无依赖关系的伪3D墙壁切片。车辆控制使用欧拉物理。”
好的，关键区别。这实际上有点有趣，因为我们看到每个模型为这个特定测试选择的特殊功能存在差异。如果你订阅了频道并非常熟悉所有这些内容（至少就包含的内容而言），这很有趣。“部分覆盖、独特见解、Z缓冲广告牌、精灵遮挡、填充。”好的，然后我们几乎拥有引用来源：具体是哪个模型提出了这些内容。并且我们有来自每个模型的包含项。“盲点，没有任何游戏实际上被测试过”，这只是通过此Web聊天界面运行的性质所致。
第三步是我们的最终答案。“我已将最好的方法综合为一个完整的工作浏览器操作系统。”这是完整的融合答案。所以让我们先瞥一眼这个，然后再稍作讨论。“好的，这是我们最终的融合浏览器操作系统结果答案。好吧，乍一看，这相当糟糕。从美学角度来看，我从这些模型中的每一个单独得到的结果都更好一些。”但再次强调，这是第一次测试。“没有右键菜单。我们的时区时间正确。让我们检查一下开始菜单。”
“没有任何搜索功能或其他东西。“好的，我们将按顺序逐一运行这些项目。这确实是我从像120亿参数的Gemma这样的模型中会得到的质量。”让我们尝试随机上传。“好的。好吧，所以这确实……”
工作完成。我们将回到一个视觉上更舒适的东西：记事本。我假设它没问题，很简单。输入任何内容都会自动保存，然后 Chronos 可以回溯它。“Chronos”必然是被选定实现的那个特殊功能。好吧，我们甚至没有像 Neofetch 这样的工具。计算器。好的，54。我做了这个乘法：6乘以300等于24（注：此处原文口误或计算错误，按原意翻译）。我只是在快速浏览这些内容，因为我的兴趣主要集中在其中一些游戏上。好吧，所以《古墓丽影3D》 unfortunately 并不是100%功能正常。让我们检查一下我们的 GTA 游戏。嗯，哦，好的，非常好。只是相机生成在了建筑物里。噢，哇，那很不错。所以，当我们意外撞到行人时留下的补丁是一个不错的细节。我们确实有通缉等级。我们能下车吗？不能。好吧，也许这不是用这个运行测试的正确方式，但我只是想……好的，恢复这一刻。
所以，快照基本上会对系统当前打开的所有内容进行拍照或截图，然后如果我们刷新这个界面，它应该会将该内容保存到持久存储中。所以，让我们恢复这一刻。好吧，嗯，我们回到 OpenRouter 这里。再次强调，这并没有被宣传为在代码方面工作良好，但我看到了大量关于它的报道说它能击败 Fable 5（注：此处可能指代特定模型或版本，按音译），我想这在一定程度上是营销策略的副作用。所以，我们要用代码来测试它。好的，所以我只是在 OpenCode 中部分使用了这个功能，确保了一些配置生效了，但这非常有限，除了 OpenCode 会包含的任何系统提示等内容。所以，基本上这个浏览器 OS 的结果可能花费了大约2.50美元，这实际上可能是历史上最糟糕的交易之一。
所以，再次说明，这可能属于某种范围外的测试，但我确实喜欢这种超纲的测试。好的，我已经在 OpenCode 中设置了 Fusion。它使用的模型与我们刚刚通过网页聊天界面测试的完全相同。我已经从计划模式开始，并给它提供了一个自包含的 C++ 滑板测试。好的，所以我们收到了一份计划，还有一些后续问题在询问一些细节。我告诉它的唯一一件事是不要使用 raylib 库，因为 Fable 5 的结果也没有用。其他问题由你决定。构建它。我已经把它换到了计划模式。现在，它将进行大量研究，因为这主要是针对那方面的。所以，这没问题。我们会看看它为我们生成的内容。
好的，所以我刚刚意识到我还没有这个 Claude Fable 5 的滑板游戏。我会发一张它的照片之类的，但我们确实有我们的 C++ 滑板结果就在这里。所以我非常兴奋……这实际上相当不错。好吧，除了那个……好的，我得说……我必须在说话之前注意一下……我会说这实际上相当干净且完成得很 competent（专业）。虽然我已经单独运行了所有这些模型各自的测试，但我感觉我记得 Opus 4.8 或 4.7（注：指代模型版本）在美学方面可能有一个比这个更好的结果。然而，行走看起来不错，我们的文本看起来很清晰。一切实际上都非常干净。我会说这是一个值得尊重的结果。让我们过去看看水的情况，并尝试一些其他的技巧。
所以，“Q”键应该是翻板跳（kickflip）。好的，是的，不。看，那是我不想看到的东西。我预料到可能是像中端开源权重模型那样，将实际玩家和滑板锁定在同一个动作中以完成技巧。[笑声] 水看起来不错。好的，所以这里我想稍微谈谈那个缺点：如果我们回到这里的活动记录中，我们会看到在运行之前我们的花费是2.98美元。所以，我们刚才所做的全部将是 whatever 2.98到12.70美元等于多少。所以，实际上对于编码来说，我要在这里做出判断：尽管我只用这个运行了两个测试，但这不是一个好主意，至少在使用这些最先进的模型将它们组合在一起进行编码时是这样。
但是，这并不一定是它被设计为擅长的特定列出事项。那是深度研究。所以我碰巧完全巧合地有一个任务，我在前几天用 Google Gemini 3.1 Pro 的深度研究模式执行过，我们现在将在这里使用 OpenRouter Fusion 模型运行完全相同的任务，并比较结果。所以，我想在它的优势领域进行测试，那就是深度研究能力。现在，真正出于巧合，几天前我使用 Gemini 3.1 Pro 的扩展思维功能进行了一项深度研究任务，当时我在寻找关于一辆车的额外信息。那是一辆据说可能在过去的某些车展上展示过的车，而且有关制造它的商店的信息很少。
所以我特别要求它找到那些小众的、不常见的信息，即2025年之前的旧信息。我在寻找老照片、对这辆车非常具体的提及，以及任何较旧的资料。不幸的是，当我运行这个任务时，它基本上给了我一份研究报告，这更像是一篇创意写作作品，而不是我要求的内容。我本质上是在寻找：“哦，这里有一个非常古老的存档页面实际上提到了这辆车。”相反，我得到了04（注：可能指车型代号或错误识别）的起源和出处。好吧，这很奇怪，不是我想要的。然后它基本上给了我们一堆非常奇怪的东西，比如画布、这辆车的建筑结构等，这些是我零兴趣的，我可以在维基百科上找到。
在此之后，我基本上斥责了它。我说我只想知道是否有任何图片或提及你能找到的这辆确切的旧车。它说：“我找不到。”我说：“搜索华盛顿州，因为那是车辆建造的地方，也是制造这辆车的商店所在地的本地档案、论坛或任何可能提及2012年之前内容的地方。”它只找到了一些非常稀疏的东西和与制造这辆车的商店名称相关的论坛帖子。所以，这是一项深度研究任务，我前几天确实为我自己做过，因为我需要它。所以我刚刚通过 OpenRouter 用 Fusion 运行了完全相同的内容，我要说这是它的100%优势所在，我确实认为这是一种相当合理的深度研究方法。
因为我要在这里发现的是：我向 Gemini 发送了完全相同的提示，而在分析中有一个关于“盲点”的部分。现在，这个……
不足之处在于盲点是指模型实际结果中未包含的内容，但这里列出的每一项都是对评估结果的深入梳理，旨在识别那些“本应被提及”的事项。Gemini结果中未被提出的内容均列在此处的盲点部分，因此即使它们未出现在我们最终获得的研究报告中，这依然非常出色。之所以说它很棒，是因为这完全是巧合——我前几天刚买了这款车，并非出于其他重要原因。
关键在于，系统识别出制造该车的店铺曾展示过一辆兰博基尼展车，且该车配备了与我购买的这辆旧款廉价路虎完全相同的轮毂。我之所以能发现这一点，是通过在互联网档案馆中找到该店铺已倒闭的旧网站并进行视觉交叉比对。系统还提到了互联网档案馆和《Dub》杂志，这非常有趣。
Gemini的一些主张未能通过验证，可能会误导读者。我可以百分之百确认这里的表现非常强劲，因为这是我前几天花了大约4小时手动研究才得出的结论。系统挖掘出了大量信息，如果当时有它帮忙，将为我节省大量时间。虽然关于卡车本身的硬记录只有一条，但这没问题，因为重点在于公司背景。
与Gemini深度研究那种倾向于像维基百科一样泛泛而谈不同，这里的回答更加孤立且专注于我提出的具体问题。Gemini深度研究是一个强大的模型，但它往往偏离主题；而这里的表现完全正确：该车使用了与你的卡车相同的配方。找到所有这些信息的做法非常出色，我很高兴我们进行了这项测试。
尽管部分编码结果不尽如人意，但整体表现极佳，这直接印证了他们关于基准测试的说法：对声称持怀疑态度。它还列出了一些建议，例如询问时期照片是否可能仍然存在，并建议使用Wayback Machine进行反向图片搜索。
这一结果简洁明了，在此情况下比单独使用Gemini得到的杂乱信息更好。通过OpenRouter Fusion进行的测试完全符合我的需求，我可以肯定地说，对于深度研究任务而言，这确实是一个表现非常强劲的工具。虽然这可能比编码用途更偏向小众领域，但其效果令人印象深刻。
让我们看看成本变化：之前是15.44美元，现在涨到了18.93美元。这意味着通过网页聊天界面进行深度研究的过程花费了约3.50美元（确切地说是3.49美元）。使用成本非常高昂，我们需要记住我使用的是特定质量设置，即最前沿的尖端模型。
由于我没有其他能深入理解并判断对错深度研究任务，我想尝试另一个前端网页设计测试。在这个新测试中，我给出的提示是要求模型为手表网站创建一个美观的前端界面，不仅要创建3D手表模型，还要在首屏展示该手表的电影级平移镜头。
这是前端设计与3D建模吸引力的结合。虽然我把“Fable”拼错了，但我保留原样，因为这与运行Fable 5时使用的提示完全相同。我还禁用了网页搜索功能，因为这纯粹是一个代码测试。以下是Claude Fable针对同一提示生成的结果：它创建了一个非常漂亮的3D手表模型，并包含了平移动画。
现在让我们看看OpenRouter Fusion的结果及其成本：从18.93美元涨到了21.46美元，确实更贵了。结果相比Fable 5略有下降，但相似之处依然存在，这得益于提示词相对固定。有趣的是，它犯了与GLM 5.2相同的错误：玻璃部分做得太高且太小。
不过，表冠定义非常清晰，手表的一些细节部件相当不错。独立制钟学渲染出的数字部分我不确定那个词是什么，但整体效果尚可。我们还有夏季系列的两款手表在此展示。数字标记具有真实的夜光效果，秒针似乎也在移动。虽然这与Fable 5模型的完美程度尚有差距，但其中确实有一些非常出色的元素。
我刚刚做了一个直接的并排对比测试。最后，我还想做一件有趣的事：运行完全相同的提示词，但不是在最昂贵的设置下使用。
我想在预算有限的情况下使用它，因为这是一组非常有趣的模型组合。目前默认是将结果与最新的 Opus 融合，但实际生成答案的模型是 Gemini Flash、DeepSeek V4 Flash 以及最新的 Moonshot Kimmy。好的，我们完成了第二次测试的结果。起始时间是21:46，费用仅增加了1.40美元，所以这要便宜得多。
提醒一下，虽然我想……这是 Gemini Flash、DeepSeek V4 Flash 和 Moonshot Kimmy 最新模型，由 Opus 作为融合并评判它们的模型。让我们看看使用较便宜模型时的结果。（笑声）我想我们肯定能看出区别。虽然如果把它放平，也许这款镀铬材质的漫反射特性不会那么刺眼……
这里秒针的设计其实相当不错。让我们往下看，中间部分的内容始终非常一致。好的，这只是同一块手表的静态照片。遗憾的是，它并没有达到同样程度的动画效果。哦，哇！实际上我们确实可以自由地围绕这个物体旋转观察。当我们这样做时，能看到表带。
这有点令人沮丧，因为这里确实有一定的潜力。也就是说，可以说这是一个更可用的结果，但它看起来也有点像怀表。所以，也许 Swatch 联名款被用作了参考依据。鉴于我们在这里进行的简短测试……
我想我有足够的信心断言，对于深度研究任务而言，这确实似乎比单独使用其中一个模型能产生更好的效果。我很幸运地巧合遇到了一项几天前运行的深度研究任务，这与它声称擅长的领域完全一致。
当我们使用 OpenRouter Fusion 配合最先进的模型运行该任务时，它们产生的结果确实比我在使用 Gemini 3.1 Pro Extended 进行深度研究时所看到的要好得多。它基本上给了我一直在寻找的内容，因此在我所熟悉的领域中进行这种并排比较是很好的体验。
关于编程方面，我觉得这里的结果与我去年12月运行“模型协作”测试视频时注意到的一致。我不太确定像这样将多个模型用于编程会比单独使用一个孤立模型产生更好的结果，而且成本肯定要高得多。
我们今天所做的全部花费大约20美元或更多一点，这相当于 Anthropic 或 GPT 一个月的订阅费，而后者能提供更多使用价值。所以它确实有其定位，但我认为这是一个非常小众的领域，只是看到人们在使用模型方式上的更多演变很有趣。
我想测试这一点是因为对此有很多兴趣。如果你有任何问题，请随时在评论区留言，感谢观看。