摘要： Perplexity 在 2026 年 2 月 5 日推出 Model Council，把同一問題交給三個前線模型，再由另一個模型綜整共識與分歧。這種交叉驗證讓搜尋答案更可檢驗，但三倍推理加一次綜整的成本和延遲，使它更適合醫療、法律、財務或事實查核等關鍵問題。
Model Council 由 Perplexity 於 2026 年 2 月 5 日在官方部落格正式公開,隔一天的產品更新清單則將它與升級後的 Deep Research、變得更簡單的輸入欄、逐步學習功能以及記憶改善,一同打包進該週的改版。整個機制一句話就能講完:一個問題,同時交由三個前線模型分別作答,再讓另一個模型檢視這三份回應,整理成最終答案——共識在哪、分歧在哪,全部清楚標明。
Perplexity 這一步並不是再包一層聊天介面,而是一次嘗試:把「多模型交叉驗證」這種原本屬於研究領域的方法,直接變成搜尋產品裡的功能。當單一模型的輸出越來越難判斷可信度,Perplexity 的選擇是把驗證這件事直接做進產品本身。
Model Council 的運作機制
Livemint 在 2 月 9 日的報導裡描述了背後流程:使用者送出的查詢會同時分派給三個模型,系統接著比對三份輸出,標記出關鍵洞見與彼此不一致之處,讓使用者能夠評估答案的可靠程度。也就是說,最終拿到的不再是「某個模型的說法」,而是一份結構化整理:三個模型各說了什麼、哪些地方意見一致、哪些地方互相矛盾。
面對困難的問題,模型間的分歧本身就是有用的訊號。三個模型對同一個問題給出不同答案時,那個分歧點恰好落在需要人類判斷、或值得進一步查證的位置——若把分歧藏起來,使用者最終只會收到一個講得斬釘截鐵的錯誤答案。
同一週的改版內容:議會之外的更新
翻開 2 月 6 日的 changelog,Model Council 其實只是這波改版的其中一項:Deep Research 完成升級、輸入欄變得精簡、新增逐步學習(step-by-step learning)、記憶功能也有所改善。時間點同樣值得留意——這一週正好是前線模型競爭最白熱化的階段,Anthropic 才在 2 月 6 日發布了 Claude Opus 4.6。「哪個模型最強」的答案每週都在翻新,Perplexity 給出的回應不是替使用者指定贏家,而是把單選題換成並排比較。
議會為何行得通:錯誤彼此錯開,一致的結論更可靠
多模型交叉驗證在研究上早有依據:各自獨立訓練的模型,出錯的方式不會完全相同。三個模型恰好同時犯下同一個隨機錯誤的機率,遠低於單一模型犯錯的機率;因此經過比對,隨機錯誤會互相抵銷,而留在檯面上、始終無法一致的分歧,多半對應到真正的難點或還不確定的地方。
Model Council 將這套概念做成產品,最關鍵的貢獻在於它不假裝分歧不存在。一般常見的答案合成,會把各版本之間的差異調和成一個「綜合版」;這個設計反其道而行,把差異明確標示出來,交還給使用者判斷。碰到事實性問題,三個模型口徑一致的段落掃過即可,真正值得放慢速度細讀的,是它們彼此爭執的段落。
要付的代價:三次推理,外加一次綜整
每一個問題都得跑完三個前線模型,後面再接一次審閱綜整,延遲與成本自然是單模型流程的好幾倍。這也劃定了它的適用場景:平常的查詢交給單一模型就夠了,真正關鍵的決策——醫療、法律、財務、事實查核——才值得把議會請出來。在開發者眼中,這是典型的「拿成本換準確率」的取捨,也說明了為何市場上同類功能多半先從高階付費層開放:唯有願意為可靠度付費的使用者,才撐得起三倍的推理帳單。
給產品團隊的啟發:路由與議會,兩種不同的架構
走向多模型策略大致有兩條路。「路由」(routing)的思路是先辨認問題類型,再挑出最合適的單一模型,省下成本;「議會」(council)的思路是讓多個模型互相制衡,買到可靠度。一邊壓低邊際成本,一邊拉高答案的可信度。當前線模型之間的能力差距不斷縮小,「答案能不能被驗證」本身就會成為產品的差異化賣點——想到 ensembling 的團隊裡,Perplexity 並不是第一個,但把它放進大眾搜尋框的廠商中,它屬於最早的那批。對此刻正在設計 AI 功能的產品團隊而言,該問的問題已經從「用哪個模型」,變成「哪些問題值得付出三倍成本」。