Perplexity最近在X上发布了一个有意思的更新他们的新模型配备了一个内置顾问工具advisor tool可以在需要时自动升级到更强的模型。这条消息简短但信息量不小——The model has an advisor tool that natively escalates to a stronger model when needed.这条消息发布在7月9日但MCP在今天仍然把它标记为工程方向的高热度内容。一个快两周前的消息热度还在说明它触及了AI行业一个正在被广泛讨论的问题。单模型能力有限多模型自动调度是趋势Perplexity这个顾问工具解决的是什么问题说穿了很简单没有哪个模型在所有任务上都表现最好。小模型响应快、成本低但在复杂推理任务上容易出错大模型准确率高但成本高、延迟长。理想的情况是简单问题用小模型处理复杂问题才请出大模型。这个小目标在实际落地中一直有困难。传统做法是在应用层做路由——你的代码里判断请求的复杂度然后选择调用哪个模型。这就带来几个问题第一你需要在应用层维护一套复杂的路由逻辑第二路由规则的制定依赖经验很难覆盖所有边界情况第三当模型更新时路由策略可能需要重新调整。Perplexity的方案是把这个判断逻辑内建到模型本身——小模型自己判断这个问题我搞不定需要升级。这实际上是模型层面的自适应路由比应用层的硬编码路由更灵活。模型的判断能力本身就是模型能力的一部分模型越强它对自己能力边界的认知就越准。从技术角度看这个设计和MoE混合专家架构有相似之处。MoE也是让不同的专家模型处理不同类型的输入但MoE的专家选择是训练时确定的静态路由。Perplexity的顾问工具更像是动态路由——模型在推理时实时判断是否需要升级路由决策是动态的。这对模型的能力边界感知提出了很高要求——模型要能准确判断什么时候自己搞不定。为什么这个方向值得关注Perplexity这个更新之所以引起关注不是因为技术多复杂而是因为它指向了一个明确的工程方向AI系统的成本优化正在从换更便宜的模型转向更智能地调度模型。过去一年很多团队在尝试用更小的模型替代大模型来降低成本。但小模型在复杂任务上的能力差距是真实存在的一刀切地用小模型替代大模型往往导致用户体验下降。Perplexity的路线更务实保留大模型的能力但只在需要时才调用它。这个思路对企业应用开发也很有参考价值。企业需求往往同时覆盖简单查询和复杂分析如果把所有请求都路由到大模型成本会快速膨胀但如果全部用小模型复杂场景的处理质量又不够。Perplexity的内置顾问工具提供了一个可行的中间方案——让模型自己决定什么时候该升级。另一个值得注意的细节Perplexity还透露这个模型由Perplexity在美国部署运行在NVIDIA B200 GPU上。B200是NVIDIA Blackwell架构的企业级GPU相比上一代H100在AI推理性能上有明显提升。Perplexity选择B200而不是更贵的B100或定制芯片说明他们对推理成本和性能的平衡有清晰的考量。团队还表示会在研究预览阶段持续优化模型并在未来几周内发布完整基准测试结果。这说明当前版本可能还在迭代中不太适合直接用于生产。但对关注这个方向的团队来说现在正是观察和评估的好时机——等到完整基准测试出来就可以判断这个方案是否适合自己的场景。对普通用户来说Perplexity的这个更新意味着他们可能更快拿到正确答案。对开发者来说这个更新提供了一种新的成本优化思路与其人工设计模型路由策略不如让模型自己学会判断什么时候该升级。这项技术在数据密集型场景——比如企业搜索、文档分析、客服系统——有明确的应用价值。毕竟在这些场景里大多数查询是简单的只有少数需要深度推理让模型自动分级处理是成本效率的最大优化机会。关于维基框架维基框架关注企业应用开发中的长期维护问题。在实际项目中业务系统往往同时涉及权限、微服务、接口协议、部署环境等复杂因素因此我们希望提供一套更容易扩展和维护的基础框架。官网framewiki.comGiteegitee.com/wiki-frameworkGitHubgithub.com/wiki-framework示例项目gitee.com/cdkjframework/framewiki-example 许可证MulanPSL-2.0木兰宽松许可证第2版