Et panel bestående af Gemini 3 Flash, Kimi K2.6 og DeepSeek V4 Pro fik 64,7 procent på benchmarken DRACO. Claude Fable 5, verdens dyreste sprogmodel, fik 65,3 procent alene. Forskellen er inden for én procent. Prisen er cirka det halve. Og sætter man i stedet Fable 5 og GPT-5.5 til at arbejde på samme opgave og lader Opus 4.8 sy svarene sammen, lander resultatet på 69,0 procent - højere end nogen af modellerne kan præstere hver for sig.
Det er det korte svar på, hvorfor spørgsmålet "hvilken model skal vi vælge" er ved at gå af mode.
Fra modelvalg til arkitekturvalg
Den klassiske opstilling er én model bag én API-nøgle. Den er ved at blive afløst af noget andet: en pulje af modeller, en router der afgør hvem der skal arbejde på hvad, og et syntese-lag der samler resultatet. Udefra ligner det stadig én model med ét endpoint. Indeni er det fire til seks kald.
Tre ting er sket næsten samtidigt i første halvår af 2026. OpenRouter satte i marts sin Fusion-funktion i luften som offentligt eksperiment og flyttede den i produktion i midten af juni. Sakana AI udgav i juni Fugu, hvor selve orkestratoren er en trænet sprogmodel, der har lært hvornår den skal uddelegere, hvordan agenterne skal tale sammen, og hvordan svarene skal flettes - bygget på laboratoriets egne ICLR-papers Trinity og Conductor. Og OpenAI splittede med GPT-5.6 sin flagskibsmodel op i tre lag med hver sin pris, hvilket i praksis gør routing til en beslutning man skal tage, uanset om man vil eller ej.
Mønstret er så veletableret, at enkeltudviklere nu bygger deres egen version i en weekend. Det er ikke et eksperiment længere. Det er en arkitektur.
Tallene bag
DRACO er Perplexitys benchmark med 100 dybdegående researchopgaver fordelt på 10 domæner, bedømt på faktuel præcision, bredde, præsentation og kildehåndtering. OpenRouters egne målinger ser sådan ud:
- Claude Opus 4.8 alene: 58,8
- GPT-5.5 alene: 60,0
- Budgetpanel (Gemini 3 Flash, Kimi K2.6 og DeepSeek V4 Pro): 64,7
- Claude Fable 5 alene: 65,3
- Fable 5 og GPT-5.5 sammen, syntetiseret af Opus 4.8: 69,0
Det interessante er ikke, at panelet vinder. Det er, at et panel af tre billige modeller placerer sig mellem to frontier-modeller, som hver især koster mange gange mere per token.
Samme billede tegner sig på kodeopgaver. Sakanas Fugu Ultra scorer 73,7 på SWE-Bench Pro mod Claude Opus 4.8's 69,2 og GPT-5.5's 58,6. På LiveCodeBench ligger Fugu Ultra på 93,2 mod Fable 5's 89,8.
Der er en vigtig fodnote: samtlige tal her er leverandørernes egne. Ingen uafhængige laboratorier har reproduceret dem endnu, og offentlige benchmarks kan indgå i modellernes træningsdata. Retningen er troværdig. Decimalerne er det ikke nødvendigvis.
Regningen er summen af alle kald
Her er den misforståelse, det er dyrest at have med sig: orkestrering er ikke en rabat. Man betaler for hvert eneste kald i panelet plus dommer-kaldet plus routing-gebyret oveni hvert af dem. Et kvalitetspanel hos OpenRouter koster typisk tre gange et enkelt Fable 5-kald.
Fugu Ultra er prissat til cirka 35 kroner per million input-tokens og 210 kroner per million output-tokens - i toppen af den pulje, den selv dirigerer. Og orkestreringen har sin egen omkostning: i en praktisk test brugte modellen 26.404 tokens på selve koordineringen, næsten ni gange så meget som det synlige output.
Besparelsen ligger altså ikke i metoden. Den ligger i, hvad man fylder i puljen.
Den regning der ikke står på fakturaen
Prisen er den nemme del at måle. Tiden er den, folk opdager bagefter.
Selve routingen er ikke problemet. Et regelbaseret valg tager under et millisekund, en semantisk klassifikator 50-100 millisekunder, og det forsvinder i støjen ved en typisk svartid på et halvt til to sekunder. Problemet er, hvad der sker efter routeren.
Kører panelet parallelt, arver man den langsomste deltagers ventetid, ikke gennemsnittets. Tre modeller på 12, 28 og 19 sekunder giver 28 sekunder, ikke 20 - og oveni kommer dommeren, som først kan begynde sit arbejde, når den sidste er færdig. Man har med andre ord købt tre modellers kvalitet til den dårligste af deres svartider.
Bliver orkestreringen agentisk, hvor modellerne arbejder i flere runder frem for parallelt, eksploderer tallene. Den samme kodeopgave tog 55 sekunder for Sakanas basismodel og 4,5 minutter for Ultra-udgaven. En anden opgave tog 22 minutter og kostede omkring 51 kroner. Uafhængige testere har rapporteret ventetider op mod en halv time og beskriver Ultra som noget, man henter frem til dagens sværeste problem - ikke som en arbejdshest.
Regnestykket vender derfor helt om afhængigt af, hvem der venter:
- Batch og baggrundsarbejde - natlige rapporter, dokumentanalyse, researchopgaver: her er tid næsten gratis, og en tredjedel af prisen er ren gevinst.
- Interaktive løsninger - kundeservice, chat, interne assistenter: her er svartiden produktet. En chatbot, der bruger 40 sekunder på et godt svar, er gået i stykker, uanset hvad den kostede.
- Agentiske arbejdsgange - hvor et menneske venter på at kunne godkende næste skridt: her koster hvert ekstra minut en medarbejders opmærksomhed, og den er dyrere end tokens.
Tre gratis modeller er kun billigere, hvis ingen sidder og kigger på et spinnende ikon imens.
Åbne vægte er det, der får regnestykket til at gå op
GLM 5.2 koster omkring 3 kroner per million input-tokens og 23 kroner per million output-tokens. Fable 5 ligger på cirka 70 og 350 kroner. Man kan køre fem åbne modeller på det samme problem og stadig lande under prisen for ét kald til toppen.
Det ville være ligegyldigt, hvis kvaliteten fulgte prisen, men det gør den ikke længere. GLM 5.2 scorer 62,1 på SWE-Bench Pro og ligger dermed foran GPT-5.5, og de åbne modeller har for længst forladt rollen som billigt alternativ. OpenRouter opgør afstanden til de amerikanske frontier-laboratorier til konsistent 3-6 måneder gennem halvandet år - et forspring der ikke er vokset, selvom kapitalen bag de lukkede modeller er eksploderet.
Et panel af tre modeller med tre måneders forsinkelse slår i praksis én model uden forsinkelse på en overraskende stor del af opgaverne. Det er hele idéen.
Hvor det holder op med at virke
Metoden har grænser, og de er dokumenterede.
Gevinsten flader ud hurtigt. Forskningen i best-of-N-sampling viser, at de største spring ligger mellem 4 og 16 kandidatsvar, hvorefter afkastet falder markant. Produktionssystemer bruger typisk 5-20. At kaste flere modeller efter problemet hjælper ikke uendeligt.
Diversitet er ikke automatisk en fordel. Et studie fra Princeton fandt, at Self-MoA - hvor man aggregerer flere svar fra én stærk model i stedet for at blande forskellige - slog det klassiske miks med 6,6 procent på AlpacaEval 2.0. Svage deltagere i panelet forurener resultatet mindst lige så ofte, som de redder det.
Og hele konstruktionen står og falder med dommeren. Når verifikationen er upålidelig, vokser antallet af falske positiver hurtigere end kvaliteten, og så bliver mere beregning direkte skadeligt. Det er også her den alvorligste driftsrisiko ligger: en router, der sender opgaver til den forkerte model, producerer svar der ser rigtige ud. En eksplicit fejl kan overvåges. En langsom, stille forringelse opdages først, når en kunde klager.
Hvad betyder det for danske virksomheder
Multi-model er allerede normen andre steder. 78 procent af virksomheder bruger i dag to eller flere modelfamilier, andelen der bruger tre eller flere er sprunget fra 36 til 59 procent, og 37 procent har fem eller flere modeller i produktion. Det er ikke en fremtidsscenarie, man kan vente på.
Tre ting er konkrete nok til at handle på:
- Læg et abstraktionslag ind fra starten. Står modelnavnet hårdkodet i forretningslogikken, er man bundet til én leverandørs pris, oppetid og politiske risiko. Det koster få dages arbejde nu og sparer en omskrivning senere.
- Send ikke alt til topmodellen. Klassificering, opsummering og udtræk af felter løses fint af en mellemklasse- eller open-weight model. Det er her hovedparten af et token-forbrug der løber løbsk forsvinder hen.
- Hold et fast evalueringssæt. Uden egne testopgaver, kørt regelmæssigt, kan man ikke skelne en vellykket besparelse fra en snigende kvalitetsforringelse. Leverandørernes benchmarks siger intet om ens egne data.
Endelig er der en fordel ved åbne vægte, som sjældent nævnes i benchmark-diskussionerne: de kan hostes i Europa. Flere udbydere leverer i dag GDPR- og ISO-compliant inference på GLM, Kimi og MiniMax fra europæiske datacentre, hvor data ikke forlader kontinentet. At sende personoplysninger direkte til et kinesisk API er svært at forsvare i en databehandleraftale. At køre de samme vægte på europæisk infrastruktur er en anden sag - og for mange danske virksomheder er det argumentet, der vejer tungere end prisen.
Kilder: OpenRouter - Surpassing Frontier Performance with Fusion, Sakana AI - Fugu, Rethinking Mixture-of-Agents (Princeton), OpenRouter - The Open-Weight Models That Matter
