编排实验室：对比、评审、共识与升级

对比，并配有评审与批评者

Compare 会把同一个提示词发给多个模型，并把它们的回答并排展示，附带延迟和 token 数量。打开 Judge，一个独立模型会按明确标准为每个回答打分；打开 Critic，它会写下每个回答的薄弱之处。Compare 也能在普通会话中运行，因此你不必离开对话就能核对某一条回答。

共识与升级

Consensus 会向两到五个模型提出同一个问题，从它们的一致之处综合出一个答案，并标出它们的分歧点。Escalation 从一个便宜的模型开始，只有在回答不达标时才沿链条向上升级，因此只有在问题真正需要时，你才为强模型付费。

核验、修复，以及其他实验工具

Best-of-N 生成多个候选答案并保留最强的一个。Verify 让第二个模型检查回答是否正确。Repair 修复现有回答中的特定缺陷，而不是整体重新生成。Decompose 把一个大任务拆分成若干步骤。Role packs 让问题在按角色专精的模型之间传递，Cost ensemble 在质量与花费之间取得平衡，Pipelines 则把多个阶段串联成一个有名称、可重复运行的工作流。

每个实验室都由运营方按方案启用，实验室的运行与普通聊天分开计量——Compare、Judge 和 Critic 各有自己的维度，其余实验室计入编排维度。

常见问题

Compare 和 Consensus 有什么区别？

Compare 把每个模型的回答并排展示，由你自己下结论，也可以选择附上 Judge 评分。Consensus 则把多个回答合并成一个，并标出各模型意见不一致的地方。

升级（Escalation）是怎么帮你省钱的？

它先用一个较便宜的模型，只有在回答未达标准时才换用更强的模型，因此简单的问题永远不必为最昂贵的模型买单。

每个方案都包含这些实验室吗？

每个实验室都由运营方按方案开启，因此能否使用取决于你的方案。价格页面列出了每个方案包含的内容。