事件全景：Union Alpha 的 33 小时
这场发布的戏剧性不亚于架构本身。综合多家媒体的报道时间线：
| 时间（2026 年） | 节点 | 说明 |
|---|---|---|
| 9 月 16 日 | 隐身上线 | 模型以 stealth/union-alpha 之名出现在 OpenRouter，免费使用，据称原计划免费约一周；开发者社区开始流传「出现了一个免费且不输 GPT-5.6 的模型」 |
| 9 月 16 日 | 流量爆炸 | 运营方自述需求远超预期，一天内达到每分钟十亿词元的处理量，响应速度被压垮；据称 AWS 一夜之间将可用算力扩了三倍仍不够（此数字为公司侧自述，经媒体报道转述） |
| 9 月 17 日 | 揭晓身份 | Union Alpha 被证实为 Unbiased AI 的 Pareto 26.9，免费窗口提前关闭，转为 $2.50/$7.50 每百万词元的付费定价 |
| 9 月 17 日前后 | 渠道铺开 | 同步上架 OpenRouter（unbiased/pareto）、Cloudflare AI Workers 与 Puter.js 浏览器 SDK；此前隐身运行的旧页面与免费配置陆续失效 |
| 10 月 10 日（计划） | 正式发布 | 官方预告将补齐 SLA、企业计费与自助开通等正式发布要素 |
两点提示：其一，「每分钟十亿词元」「AWS 三倍扩容」等数字均来自公司自述与媒体报道转述，尚无独立核验；其二，据 eneralabs 引用 unbiased.ai 计费数据，在 8 月 21 日前的十天窗口内该服务已处理超过 9 亿词元的真实用量——也就是说，隐身发布之前产品已经在真实负载上跑过一段时间，9 月的事件更像一次压力测试性质的公开亮相。目前官方及行业暂未披露更多细节（如正式发布的 SLA 条款、底层模型组合的披露政策），后续将持续跟进迭代动态。
架构拆解：并行评审集成不是路由
Pareto 最容易被误解的地方，是把它当成又一个「模型路由器」。两者表面相似——用户面对的都是一个模型字符串、一张账单——但机制完全相反：
| 维度 | 模型路由器（Router） | 复合模型（Pareto 路线） |
|---|---|---|
| 每请求运行的模型数 | 1 个（预测后转发） | 多个，并行运行 |
| 决策时机 | 请求进入时预测选型 | 输出产生后评审择优/合成 |
| 失败模式 | 路由预测错，整次回答质量塌陷 | 评审/合成出错，候选正确也可能被拼坏 |
| 对话中切换模型 | 会发生，破坏提示词缓存 | 官方称端点恒定、模型不切换，缓存保持温热 |
| 底层构成 | 通常是公开模型清单 | 不披露，组合随测试动态变化 |
按 Unbiased 官网的说法：「一个模型字符串，一张账单。底层在你的请求上同时运行多个模型，并保留最好的答案。」具体到合成机制，媒体报道其采用两段式集成管线：PairRanker 先对候选输出做两两比较排序，识别哪些模型的输出质量更高；GenFuser 则不简单宣布获胜者，而是把候选合成为一个综合答案。Unbiased 把这套打法称作「星座编排（constellation orchestration）」——底层既有前沿模型也有开源权重模型同时在线。
这个思路的直觉基础是：独立候选答案之间的分歧本身就是信息。多个模型在同一任务上给出的答案互相印证时，置信度上升；出现分歧时，评审环节能定位到分歧点再合成。它的代价同样清晰——每个请求都要付多份推理账单，延迟构成也从「单模型推理」变成「并行推理 + 排序 + 合成」三段叠加。
缓存一致性：复合模型对路由器的正面论点
Unbiased 反对路由的核心论据不是质量，而是提示词缓存。这条论证值得完整复述，因为它直接影响智能体工作负载的成本结构：
- 路由器的缓存断裂问题：当路由器在对话中途把请求切到另一个模型时，前缀缓存作废。媒体援引的量化说法是：在 15 万词元上下文长度下，缓存命中可带来约 67% 的首词元延迟下降——路由切换一次，这笔节省就清零一次。对多轮长上下文的智能体会话，路由器「账面上省的钱」会在生产环境中被缓存未命中吃掉。
- 复合模型的稳定性承诺：由于端点名不变、且官方称不在对话中途切换模型，提示词缓存可以跨整段对话保持。对上下文逐轮累积的智能体工作流（如代码会话、长程研究任务），这种一致性本身就是成本优势。
需要指出，这是厂商侧论证，路由器阵营并非没有反制手段（如会话粘性路由、按会话锁定模型）。更公允的读法是：这场争论的实质是「预测式单选」与「事后式多选」两种范式的成本分界还没有共识数据，选型时应以自己的会话长度和缓存命中率为准做实测，而不是接受任何一方的宣传口径。
基准成绩单与正确读法
Unbiased 模型卡公布的分数如下（均为厂商自报口径）：
| 基准 | Pareto 26.9 | 参照（公开口径） |
|---|---|---|
| DeepSWE（智能体编码） | 74 | 与 GPT-6 Astra、DeepSeek 4.1 Flash 同档；第三方分析口径约 73，距 GPT-6 Astra 与 Claude Opus 5 的约 74 在一个百分点内 |
| ArXivMath | 88 | — |
| MMMU-Pro（多模态） | 78 | — |
| Terminal-Bench 4.0 | 51 | 落后于 Claude Fable 5.1 与 GPT-6 Astra 的同基准公开分数 |
| HLE（无工具） | 49 | 落后于 Claude Fable 5.1 与 GPT-6 Astra |
这张表有三层读法。其一，Pareto 在智能体编码（DeepSWE）上贴住了前沿档，在数学与多模态上给出了有竞争力的分数；其二，它在需要极深推理或复杂终端操作的基准上并不占优——Terminal-Bench 4.0 拿 51、HLE 拿 49，说明「集成多模型」不等于「全面超越成员」，合成环节无法凭空造出成员模型不具备的能力；其三，也是最重要的：所有分数都是厂商自报，模型卡未公布实测任务成本，且底层模型组合会动态变化——同一个「Pareto」字符串在不同月份背后可能是不同的一队模型，跨时间的分数可比性存疑。第三方媒体（如 MightyBot 的工程团队实测）将其列入编码智能体榜单并给出「与 Fable 5.1 同档」的早期使用印象，属于定性参照而非独立复测。
经济学：并行多模型的成本账
Pareto 的定价逻辑是这套架构能否成立的关键：
| 项目 | Pareto 26.9（现行） | Pareto 26.8（前版） |
|---|---|---|
| 输入（每百万词元） | $2.50 | $1.25 |
| 缓存读（每百万词元） | $0.25 | $0.15 |
| 输出（每百万词元） | $7.50 | $6.25 |
| 上下文窗口 | 262,144 词元（补全上限 131,072） | — |
版本从 26.8 到 26.9，价格接近翻倍——这本身就是复合模型的特殊性注脚：它的「版本」背后是模型组合与集成策略的更替，而非一次权重训练。按 eneralabs 的分析，其经济账成立的前提是：并行运行几个更便宜模型的合计成本，可以压在单次前沿模型调用之下，尤其当多数请求并不需要最高档推理时。Unbiased 的营销口径是「以 GPT-6 Astra 四分之一的价格拿到前沿性能」——注意这是基于其自报 DeepSWE 分数的推算，Astra 精确牌价在文中被标注为「近似值」。
对智能体工作负载还有一层隐性成本：合成交付的延迟。OpenRouter 列表显示其扩容后 P50 延迟 5.7 秒、每秒 27 词元——对交互式场景可用，但明显不是 flash 档的速度。批处理与后台型智能体任务是它更匹配的消费场景。
工程边界：不透明的服务边界与回归测试
Learnetto 的技术分析点出了复合模式对工程团队的真实挑战，值得原样展开：
- 组合不披露：公司不公开哪些模型参与某次请求，只承诺在路由或成员变更前公告。输出变化可能来自路由器、评审器、成员模型或它们的交互——出错时归因链条变长了。
- 没有新标识的静默变更：组合可以在不改 API 名的情况下变化，这意味着「同一端点的回归测试」必须按日期记录结果，一次性榜单对比参考价值有限。
- 合成不等于共识：返回一个答案不代表候选模型意见一致，也不代表评审器捕获了所有错误。对高风险操作，仍应在应用层校验工具调用参数、保留人工复核。
- 迁移前先做匹配评测：建议从自家日志取至少 30 个已验收任务，保持提示词、工具、超时与判分标准不变，对 Pareto 与现有固定模型路线各跑多次，记录任务成功率、重试、延迟分位、词元量与每个验收结果的总成本——而不是只看词元单价。
这套方法论其实是所有「托管式模型服务」（复合模型、路由器、厂商托管 Agent）的通用验收清单：当服务质量由一个你无法审计的内部系统决定时，你能做的是把验收标准牢牢握在自己手里。
冷思考：复合模型是智能体 API 的中间层吗
把 Pareto 放进更大的坐标系里看，它代表的复合模式与 2026 年智能体基础设施的几条主线都发生了交叉：
- 与厂商托管 Agent 的关系：OpenAI Agents API 把执行环境、压缩与子智能体托管化，Pareto 把「选模型」这件事托管化。两者的共同点是都把复杂度移到服务边界后面、都以稳定端点为卖点；区别是前者锁定自家模型生态，后者用集成制造跨生态的抽象。对不想绑定单一厂商、又不愿自己维护路由策略的团队，复合模式提供了一个中间选项。
- 与开源权重模型的关系：集成成员里包含开源权重模型，这意味着 Pareto 这类服务实际上也在为开源模型「代客溢价」——用户不必自己部署，就能间接消费开源模型的能力。反过来，当开源权重模型与前沿模型的差距收窄时，复合集成的相对优势也会被压缩。
- 未决的问题：评审器与合成器自身的可靠性如何度量、集成的失败模式（选错候选、合并不兼容答案、升级太晚）如何系统性检测，目前都缺少公开方法论。这些问题不解决，复合模型在生产智能体里的位置会长期停留在「值得测一测的新选项」而不是「默认基础设施」。
目前官方及行业暂未披露更多细节（如 10 月 10 日正式发布时的 SLA、底层模型组合的变更公告机制细节），后续将持续跟进迭代动态。