OpenRouter Fusion обошёл Claude и GPT в бизнес-задачах, но стоит в 2,27 раза дороже

Как оркестратор обыграл одиночные модели?

Результат получен не в абстрактном тесте на код или математику. Автор бенчмарка ведёт проект mysummit.school и тестирует модели на задачах, с которыми сталкивается реальный менеджер каждый день: анализ данных, планирование, коммуникация с командой, решение конфликтов. Контекст задач привязан к российским и СНГ-реалиям, включая трудовое право и локальную специфику рынка.

OpenRouter Fusion работает как оркестрационный слой. Вы отправляете один запрос через API (программный интерфейс, через который приложения общаются друг с другом), а внутри разворачивается конвейер из пяти этапов.

• Панель из нескольких моделей отвечает параллельно. По умолчанию это Claude Opus, GPT и Gemini Pro.
• Судья сравнивает ответы и фиксирует, где консенсус, где расхождения и что все модели пропустили.
• Финальная модель собирает итоговый ответ из этого разбора.

По логам API-вызовов автора бенчмарка, 51,4% обращений Fusion приходится на Claude Opus 4.8, который забирает 68,5% всей стоимости. GPT-5.5 занимает 31,4% вызовов, а Gemini 3.1 Pro оказался самым дешёвым участником: 93 вызова за $5,43.

По сути, OpenRouter Fusion это Opus, которому через плечо заглядывают GPT и Gemini. Вопрос в том, окупается ли эта надбавка.

Где Fusion побеждает, а где мешает сам себе?

Fusion занял первое место в шести из восьми категорий бенчмарка и показал отрыв в 0,26 балла от второго места (Claude Fable 5). Для масштаба: разница между вторым и девятым местом составляет 0,50 балла, то есть Fusion ушёл вперёд на половину этого диапазона.

Самый заметный выигрыш, плюс 0,75 балла, зафиксирован в задачах на информационный поиск. Три модели с доступом к вебу ищут параллельно, находят разные источники, судья сводит результаты, синтезатор убирает повторы. Одна модель физически не может сделать три захода в поиск одновременно.

Но в двух категориях Fusion не лидирует.

• Планирование. Claude Fable 5 обходит Fusion на 0,08 балла.
• Управление командой. Ничья (9,21 у обоих), и по формальному ранжированию первой идёт Fable.

Обе категории объединяет одно: там важна цельность нарратива. Подготовить оценку сотрудника, провести трудный разговор, выстроить план проекта. Синтез из нескольких источников оставляет «швы» между тем, как задачу видели разные модели. Документ от одного автора получается цельнее, чем коллаж от троих.

Ещё один показатель: стандартное отклонение оценок между категориями. У Fusion оно составляет 0,14, у Fable 5 равно 0,38. Fusion тянет все типы задач ровно, без провалов. Fable гуляет заметно.

Fusion это оркестратор, а не модель. Формально он не участник бенчмарка в том же смысле, что Claude или GPT. Я затащил его в прогон ради одного вопроса: может ли синтез нескольких моделей обойти отдельные модели на реальных задачах менеджера. Оказалось, что да. Хотя ставить его в один ряд с одиночными моделями, затея немного лукавая. Документ, который вычитали три редактора, конечно, выйдет чище черновика от одного. Но и времени с деньгами на него уйдёт втрое больше. : Автор бенчмарка, mysummit.school

Почему этот бенчмарк отличается от остальных?

Большинство публичных рейтингов ИИ-моделей проверяют код, олимпиадную математику и абстрактные рассуждения. Этот бенчмарк тестирует то, чем занят рабочий день менеджера в российской компании: составить письмо об увольнении по ТК РФ, спланировать квартальный бюджет с учётом локальных поставщиков, разобрать конфликт в команде.

Оценивают два судьи: Claude Opus 4.6 и Gemini 3.1 Pro. У каждого свой характер, Gemini завышает в среднем на +0,39, Claude занижает на −0,53. Автор применяет коррекцию смещения и взвешивает оценки в пропорции 30/70. Система не идеальная, но воспроизводимая, и по каждой цифре видно, откуда она взялась.

Именно в этом контексте 2,27-кратная надбавка OpenRouter Fusion над стоимостью одиночной модели перестаёт быть абстрактной цифрой. Она привязана к задачам, которые понятны любому руководителю.

Что делать с этим прямо сейчас, по ролям

Авторам Дзена и копирайтерам. Для написания текстов, где важна цельность стиля и нарратива, одиночная модель пока выгоднее. Fusion оставляет «швы» именно в таких задачах. Но если вы собираете фактуру из нескольких источников, сравниваете данные, готовите обзор рынка, оркестратор экономит время на ручное сведение.

Маркетологам и аналитикам. Плюс 0,75 балла в информационном поиске это не абстракция. Если ваша работа включает мониторинг конкурентов, сбор данных по рынку, сопоставление отчётов, OpenRouter Fusion окупает надбавку конкретным преимуществом: три параллельных захода в поиск вместо одного.

Предпринимателям в РФ и СНГ. OpenRouter Fusion доступен через API, работает из России. Из доступных в РФ альтернатив с элементами оркестрации можно смотреть на связки YandexGPT и GigaChat с ручным сведением ответов, но готового аналога с автоматической панелью и судьёй на российском рынке пока нет.

Главный вывод из этого бенчмарка не в том, что Fusion «лучше» Claude или GPT. Он в том, что оркестрация нескольких моделей уже даёт измеримый результат на задачах, которые понятны любому менеджеру в российской компании. Но платить за это вдвое имеет смысл только тогда, когда задача действительно требует нескольких точек зрения, а не одного связного ответа.