「用 GPT-4 就好了」的難題
多數人工智慧平台替你悄悄做了決定：挑一個自己中意的模型，把一切接上去，然後往前走。這行得通，直到行不通——直到模型當機，直到競爭者在某項工作上端出更好的東西，直到你想帶自己的 API 金鑰、把成本留在自己帳上，直到你需要生成影像而預設模型不會。
慣常的藥方是一個下拉選單。挑一個模型，處處都用它，取捨自己扛。那不是分派，那是推卸。ToRun 做的是結構上不同的事。
把能力擺在前面的流程
ToRun 的每次請求在碰到模型之前要走過四步。
1. 模式決定產品面。 當你開啟一次對話工作階段或啟動一項研究工作時，你就在選擇模式。模式不只是介面上的標籤：它帶著一組既定的必要能力與選用能力。研究工作需要工具（網頁搜尋）、長脈絡與結構化輸出。一般的對話工作階段預設只需要文字生成。
2. 能力集合變成篩子。 ToRun 維護一份來自眾多供應商的模型目錄——OpenAI、Anthropic/Claude、Google/Gemini、DeepSeek、xAI/Grok、Mistral 等。每一筆都帶著該模型實際支援的能力聯集：視覺、工具、程式碼執行、影像生成、語音輸入、語音輸出、影片生成、嵌入、重排序、即時串流、推理等。第一步得出的集合與這份目錄比對。凡未滿足全部必要能力的模型都被淘汰。
3. 價格與品質的排序挑出勝者。 在通過篩子的模型中，ToRun 依請求實際是什麼來排序。短而單純的問題按成本排序，於是你得到又快又便宜的回覆。較長或較難的問題在守住品質底線的前提下，按每單位成本的能力排序。帶影像的一輪按模型看得多好來排序，而非按每元的推理。工作流程執行器切換到品質優先，因為無人盯著執行的自動化流程應當追求最好的結果，而不是最便宜的捷徑。BYOK 使用者進入定價的方式不同，因為請求走的是他們自己的供應商帳號。
4. 備援鏈吸收供應商故障。 若所選模型回傳服務錯誤，同一段流程會排除該模型後再跑一次。第二合適的模型作答。除非全部可行的候選都已當機，否則你看不到任何錯誤。
一個具體例子：視覺加工具
假設你貼上一張螢幕擷圖，請 ToRun 到網路上找找它所顯示內容的背景。這次請求同時觸及兩項能力：視覺（模型必須接受影像作為輸入）與工具（模型必須能呼叫網頁搜尋函式）。
在單一模型的做法下你會卡住：你的平台要嘛支援這個組合，要嘛不支援。在依能力分派下，ToRun 把兩項要求取交集。只有確認同時支援視覺與工具呼叫的模型才通過篩子。在這份短名單裡，依價格與品質的排序為你目前的模式挑出最好的。若首選候選被限流或當機，下一個會在你什麼都不做的情況下處理這次請求。
實務上這很要緊：具備視覺的模型陣容在過去一年變化很大，並將繼續變化。依能力分派讓 ToRun 在新模型入目錄的那一刻就自動納入考量，不需要你這邊做任何更新。
為什麼這勝過鎖定
單一模型平台只有一條備援之策：等供應商修好故障。以能力為先的平台有一份目錄。OpenAI 出事故時，Anthropic 或 Gemini 能承接的請求就在那裡得到處理。當某個新的 Mistral 模型在結構化輸出上給出更好的性價比時，它會進入相關模式的排序，而不需要強制搬遷。
同樣的邏輯適用於 BYOK。當你為某供應商加上自己的 API 金鑰，那份憑證會被關在分派層之內。與該供應商合適模型相配的請求可以取用你的金鑰而非 ToRun 的帳號，在恰當的計費層把成本轉到你與供應商的關係上。分派流程不變：變的只是執行當下用哪份憑證。
代價是誠實：ToRun 無法保證最便宜的模型對你的工作最聰明。排序是攤開的——你能看到選了什麼、為什麼選，也可以覆寫。這份透明正是目的。每次請求都會寫下計費紀錄，含所用模型、執行時生效的計價單位與成本拆解。你可以在幾個月後查核任何一次呼叫，即使供應商已改價，因為快照在請求執行的那一刻就被凍結了。
一個包辦一切的模型是個舒服的杜撰。你真正想要的，是一個為每項工作找出合適模型、並讓這份選擇可讀的平台。