OpenRouter Fusion — ถาม AI หลายตัวพร้อมกรรมการตัดสิน คุ้มจริงไหม

OpenRouter ปล่อยตัวใหม่ชื่อ Fusion โดยวางตำแหน่งว่าเป็น "compound model ที่ฉลาดที่สุดในตลาด" แต่จุดที่ต้องเข้าใจก่อนคือมันไม่ใช่โมเดลเดียว

**compound API คือเอ็นด์พอยต์เดียวที่เบื้องหลังเรียกหลายโมเดล** เวลาเราส่งคำถามเข้าไปหนึ่งครั้ง ระบบไม่ได้ถามโมเดลตัวเดียวแล้วตอบกลับ แต่กระจายคำถามให้โมเดลหลายตัวช่วยกันคิดพร้อมกัน เปรียบเหมือนยกคำถามเดียวไปถามที่ประชุมที่มีผู้เชี่ยวชาญหลายคน แทนที่จะถามคนเดียว

ข้อดีสำหรับคนทำงานคือการเชื่อมต่อไม่ต่างจากเดิม เพราะ Fusion เปิดเป็น API แบบมาตรฐานสไตล์ OpenAI ของเดิมที่เคยเรียกโมเดลผ่านเอ็นด์พอยต์นี้อยู่แล้ว ก็ชี้มาที่ Fusion ได้เลย ไม่ต้องรื้อโครงเรียกใหม่

ขั้นตอนเบื้องหลังเป็นแบบนี้ Fusion ส่งคำถามให้ทีมโมเดลหลายตัวรันพร้อมกัน และเปิดให้แต่ละตัว **ค้นเว็บ (web search) กับดึงข้อมูลจากหน้าเว็บ (web fetch)** ได้ จากนั้นมีโมเดล "กรรมการ" มาอ่านคำตอบทั้งหมดแล้วทำสรุปแบบมีโครงสร้าง ว่าตรงไหนทุกตัวเห็นพ้อง ตรงไหนขัดกัน ตรงไหนตอบไม่ครบ ตรงไหนมีมุมที่ตัวอื่นมองไม่เห็น และตรงไหนเป็นจุดบอด สุดท้ายโมเดลหลักจึงเขียนคำตอบสุดท้ายที่อิงข้อมูลทั้งหมดนั้น

ฟังดูเป็นระบบที่รอบคอบ แต่ราคาของความรอบคอบคือเวลาและเงิน เพราะหนึ่งคำถามต้องรันหลายโมเดลบวกกรรมการ **Fusion จึงช้ากว่าและแพงต่อครั้งมากกว่าการเรียกโมเดลเดียว** อย่างชัดเจน

เรื่องความเก่ง OpenRouter เคลมว่า Fusion ไปถึงระดับ Fable ได้ในราคาราวครึ่งเดียว แต่หลักฐานที่ยกมาคือ Dracobench ซึ่งเป็น benchmark งานวิจัยเชิงลึก (deep research) ตัวเดียวที่ Perplexity สร้าง โดย Fable 5 ทำได้ราว 66% ก่อนถูกแบน ส่วนการจับคู่โมเดลแบบต่าง ๆ ใน Fusion ทำคะแนนได้สูงกว่า ปัญหาคือมันคือ benchmark เดียว และเป็นงานสายค้นคว้าโดยเฉพาะ ไม่ได้สะท้อนงานทั่วไปอย่างการเขียนโค้ด

**ผลทดสอบจากหนึ่งสำนัก** ที่ลองมือกับงานเขียนโค้ดและงานจำลองสถานการณ์จริง พบว่าผลลัพธ์ออกมาอ่อนหรือมีบั๊ก และเครื่องมือสาย agent หลายตัวที่มีอยู่ก็เรียก API นี้ไม่ได้ ข้อสรุปจากฝั่งนั้นคือคำโฆษณา "ระดับ Fable" ที่อิงจาก benchmark งานวิจัยตัวเดียว ทำให้เข้าใจผิดได้ถ้าเอามาใช้กับงานโค้ดทั่วไป

ฟันธง: **ลองได้เฉพาะงานวิเคราะห์และงานค้นคว้า** ที่ความรอบด้านของคำตอบคุ้มกับเวลาและเงินที่จ่ายเพิ่ม เช่น สรุปประเด็นจากหลายแหล่ง หาช่องโหว่ในข้อโต้แย้ง หรืองานที่อยากได้หลายมุมมองในคราวเดียว จุดแข็งจริงของมันคือการเอาหลายโมเดลมาเทียบกันแล้วมีกรรมการชี้ว่าตรงไหนขัดกัน ตรงไหนเป็นจุดบอด

แต่ **อย่าเอามาเป็นตัวหลักของงานโค้ดประจำวัน** เพราะช้า แพงต่อครั้ง และผลทดสอบยังไม่นิ่ง งานที่ต้องตอบเร็วและทำซ้ำบ่อย ๆ การเรียกโมเดลเดียวที่เก่งโค้ดอยู่แล้วยังคุ้มกว่ามาก และที่สำคัญ อย่าเพิ่งเชื่อคำว่า "เทียบเท่า Fable" จาก benchmark ตัวเดียว เพราะมันวัดแค่งานค้นคว้า ไม่ได้วัดงานที่เราทำจริงทุกวัน

ต่อยอดกับงานเรา ถ้าจะลอง ให้แยกเป็น workflow รีเสิร์ชแยกออกมาต่างหาก ตั้งเป็น Skill หรือ Task ที่เรียก Fusion เฉพาะตอนต้องการสรุปหลายแหล่งแบบมีกรรมการ แล้วใส่ Human Gate คือจุดที่คนต้องตรวจก่อนเอาผลไปใช้ ส่วน pipeline งานโค้ดและงานที่ต้องตอบไว ให้คงโมเดลเดียวที่เร็วและถูกกว่าไว้เหมือนเดิม วัดเวลากับค่าใช้จ่ายจริงสักรอบก่อนตัดสินใจย้าย