⚖️ OpenRouter Fusion
O outro padrão de orquestração: em vez de quebrar a tarefa e delegar pedaços (Fugu), a Fusion manda o mesmo prompt para vários modelos em paralelo e deixa um juiz fundir as respostas. Ensemble, não decomposição — e a mentalidade de orquestrar com consciência de custo.
Note: todos recebem o mesmo prompt (não pedaços diferentes). É ensemble paralelo + juiz — o oposto da decomposição do Fugu. Guarde esta imagem: ela define a trilha inteira.
Mapa da trilha
Conteúdo detalhado
⚖️ Mesmo prompt, N modelos, um juiz
O mecanismo da Fusion, por que ele melhora, e o que o separa do Fugu: ensemble em paralelo contra decomposição em pedaços.
A Fusion pega um prompt e o envia, inalterado, para vários modelos ao mesmo tempo. Cada modelo responde a tarefa inteira por conta própria — ninguém recebe só um pedaço.
É a diferença de fábrica para o Fugu. Quem confunde "vários modelos" com "decompor a tarefa" não entende nenhum dos dois. Aqui é replicação, não repartição.
Ensemble · fan-out · mesmo prompt · candidatos paralelos.
Depois que N modelos respondem, um modelo juiz lê todas as respostas e produz a final — escolhendo a melhor, votando, ou reescrevendo um híbrido. É a "fusão" da Fusion.
O juiz é onde o ensemble vira uma resposta. Sem ele você só tem N candidatos soltos. A qualidade do juiz é metade da qualidade da Fusion.
LLM-as-judge · merge · agregação · pick-best vs síntese.
Modelos diferentes erram de jeitos diferentes. Quando vários respondem o mesmo prompt, os acertos tendem a coincidir e os erros a se espalhar — o juiz pode então favorecer o consenso.
É a teoria por trás do ensemble: diversidade reduz erro idiossincrático. Mas só funciona se os modelos forem realmente diversos — modelos iguais erram igual.
Diversidade · erros descorrelacionados · consenso · sabedoria das multidões.
Fugu decompõe: quebra a tarefa, dá pedaços a especialistas, junta. Fusion replica: o mesmo prompt inteiro vai a todos, e um juiz funde respostas concorrentes.
São duas respostas opostas à pergunta "quem faz cada parte". Entender o contraste te dá o vocabulário para classificar qualquer orquestrador que você encontrar.
Decompor vs replicar · pedaços vs candidatos · gerente vs jurado.
A Fusion tem uma família. Self-consistency: perguntar várias vezes ao mesmo modelo e votar na resposta mais comum. Mixture-of-agents: camadas de modelos refinando respostas uns dos outros.
Reconhecer os parentes mostra que "paralelo + agregar" é um padrão antigo e bem estudado — a Fusion só o empacota cross-provider atrás de uma API.
Self-consistency · LLM-as-judge · mixture-of-agents · votação.
Rodar N modelos significa pagar N respostas completas — mais a chamada do juiz, que lê todas elas. Você gasta ≈ N+1 vezes para entregar uma resposta só.
O custo é o calcanhar do ensemble. Sem somar os N+1, "perguntar a todo mundo" parece grátis; com a conta, fica claro quando vale (e quando não).
Custo N+1 · tokens do juiz · latência do mais lento · custo × benefício.
🚀 Fusion na prática e o futuro da skill
Quando o ensemble paga, quando 1 modelo forte basta, como montar o padrão "juiz" você mesmo, e a mentalidade de orquestrar com consciência de custo.
O ensemble brilha quando o erro é caro e não há resposta verificável: decisões abertas, redação de alto risco, tarefas onde diversidade de ângulos pega o que um modelo só perderia.
Define o nicho real da Fusion. Sem saber onde ela ganha, você a aplica em tudo (caro) ou em nada (perde o ganho de robustez).
Custo do erro · sem gabarito · robustez · alta variância.
Se um top model já resolve a tarefa, o ensemble só adiciona custo e espera sem mudar o resultado — exatamente o que os 38 testes do Fugu mostraram (36/38 empate).
É o default honesto. A maioria das tarefas "cai pelo topo do ladder": 1 modelo forte empata, mais rápido e barato. Orquestrar é a exceção, não a regra.
Teto já atingido · ladder de decisão · default = 1 modelo.
Você não precisa de uma API especial para o padrão Fusion. Peça ao Claude Code N respostas por ângulos diferentes e um agente-juiz que funde — ensemble manual, controle total.
Desmistifica a Fusion: o padrão é seu, não do produto. Saber montá-lo na mão te deixa escolher quando vale rodar — e ver o custo antes de pagar.
Ensemble manual · agente-juiz · fan-out + merge · copy-run.
A pergunta certa não é "qual modelo é melhor" e sim "qual o custo por resultado aceitável". Às vezes 3 modelos baratos + juiz batem 1 modelo caro pelo mesmo dinheiro.
É a métrica que o autor do field test usa: otimizar unit economics, não vaidade de benchmark. Pensar em $/resultado muda toda decisão de orquestração.
Custo por resultado · barato×bom · trade-off de qualidade · ROI da chamada.
Rodar em vários providers via uma API só é um seguro: se um modelo sai do ar, fica caro ou degrada, sua aplicação não para — ela continua com os outros.
É o benefício da Fusion que não depende de qualidade extra. Mesmo quando o ensemble não melhora a resposta, o hedge contra lock-in pode valer sozinho.
Vendor lock-in · hedge · resiliência · cross-provider.
A habilidade que se forma: saber quando orquestrar, qual padrão (decompor vs ensemble), e a que custo — em vez de adotar o produto mais automático por moda.
É o destino do curso. A ideia é o futuro; o julgamento sobre quando aplicá-la é o que separa quem orquestra bem de quem só queima tokens.
Julgamento de orquestração · consciência de custo · padrão certo · mentalidade.