大多数企业的 AI 采购，是从各业务团队分头开始的。

市场团队接了一个，产品团队接了一个，研发团队接了一个，有的走云平台，有的直接调 API，有的部署在本地。CTO 和 CIO 团队通常已经建立了扎实的工程监控——调用量、延迟、可用性这些指标都看得见。但当问题从「系统稳不稳」变成「投入和业务产出是什么关系」时，就需要回答：我们现在到底用了多少模型，每个月花了多少钱，换来了什么。

这不是哪家公司做得不好。这是 AI 从试点走向规模化之后，每一家企业都会遇到的治理新课题——工程层面的可用，和业务层面的可治，之间还有一段距离。

AI 规模化后，治理的重心变了

模型调用变得复杂，不是因为管理不善，而是因为每一次接入决策在当时的业务场景下都是合理的。

业务团队选模型，看的是能不能完成当前任务。用 GPT-4 处理内容生成，用 Claude 做分析，用开源模型跑分类——每个选择在局部都是最优的。但当这些选择叠加到企业规模，工程层面的监控就很难回答业务层面的问题：这张账单和业务产出的关联是什么，不同任务的质量标准是否一致，数据调用的边界是否在每一次调用中都被遵守。

企业真正在意的问题，不是「哪个模型最强」，而是：

• 现在有多少个团队在调用多少个模型的 API，有没有统一的接入记录
• 每一类任务的单位成本是多少，和业务产出有没有关联
• 某个模型服务出现故障或者政策变化，有没有切换方案
• 企业的敏感数据有没有走出该走的边界，有没有留存在第三方

这四个问题，是模型治理的基本盘。

治理底座先于能力选择

一个常见的决策惯性是：先评估哪个模型最强，再决定用哪个。

但在业务级治理体系没有叠加之前，这个评估缺少业务维度的参照。模型 A 比模型 B 强，是在什么任务上，用什么质量标准衡量，成本边界是什么——这些问题如果没有统一的业务数据底座，评估就只能停留在技术指标层面，难以和业务结果挂钩。

Model Hub 的设计起点，是在现有工程体系之上叠加一层业务视角的治理，再在这个基础上优化能力选择。

• 统一接入层：把各团队分散的模型调用汇聚到统一接入点，不改变现有业务系统，但所有调用从这里过，形成完整的业务级调用记录。
• 成本管理：把模型调用成本和任务类型关联起来。不是看总账单，而是看「这类任务单次调用成本是多少，完成率是多少，质量达标率是多少」。三个数字放在一起，才能判断当前的模型配置是不是最优的，而不是最贵的。 在业务规模扩张时，成本结构往往是第一个失控的地方——统一的 Token 成本分配、部门/应用级预算管控、任务级成本与质量的关联视图，让每一分 AI 预算的投向可见、可追、可优化。
• 治理规则：为不同类型的数据设置不同的模型访问边界，结合权限感知检索在每次调用时实时校验数据权限。哪类数据只能走私有化部署，哪类可以走商业 API，哪类走开源模型——这不是一次性配置，是随着业务变化持续维护的规则集。

特赞Model Hub 两个核心能力：发散推理 + 多模型编排

治理解决的是管控问题。在管控到位之后，特赞在 Model Hub 上提供两个原生的业务能力——不需要另行采购，不需要预先部署 GEA，可以直接调用。

发散推理：让商业判断有更多可能性

特赞自研 Creative Reasoning Model（CRM），国内首个以发散为优先的推理大模型，已完成大模型备案。

商业和社会问题往往是"复杂问题（wicked problem）"，没有标准答案
——H.W.J. Rittel、M.M. Webber

通用大模型处理商业判断类任务时，有一个结构性限制：它的推理架构是收敛推理（Convergent Reasoning），给定问题逼近唯一最优解。这对数学、代码、逻辑有效，但商业判断——新品方向、增长路径、品牌策略——没有唯一正确解，需要发散推理（Divergent Reasoning）：先展开并比较多条有实质差异的路径，再做收敛选择。

CRM 做的不是更强的收敛，而是结构化的发散：基于树状思维链，对同一个商业问题沿不同假设和约束展开多条推理路径，记录每条路径的推进依据、约束检查与淘汰原因，最终输出可被比较、复盘的决策轨迹工件——Creative Trajectory（创意轨迹）。

Trajectory 组织了任务定义、候选路径、证据、评价、剪枝与人工决定的全过程，包含四个环节：

1. 任务定义——明确目标、输入、成功标准、约束条件与人工确认点

2. 路径探索——生成彼此有实质差异的候选路径，每条路径携带假设与反例

3. 评价与剪枝——记录哪些路径被保留、合并或淘汰，以及背后的判断依据

4. 人工决定——保留专家修改、未决分歧与正式选择，人始终掌握收敛的最终决定权

判断过程和决策轨迹（Trajectory）被沉淀到企业上下文系统（Context System）中，下次遇到同类问题，上次各路径的比较依据都在，形成「越用越聪明」的复利效应。

多模型编排：为每个任务匹配最合适的模型

不同任务对模型的要求不同。简单的分类和格式化任务，不需要动用旗舰模型；复杂的推理和内容生成任务，用低价模型会直接影响质量。让合适的模型做合适的任务，是成本和质量同时优化的关键。

Model Hub 的模型编排能力根据任务的难度、模态、质量要求、成本预算和数据边界，动态决定调用哪个模型——可以是特赞自研专业模型、商业旗舰模型、开源模型，也可以是企业私有化部署的模型。

同一个业务场景里，CRM 既可以直接解决需要发散推理的开放性问题，也可以作为编排核心，决定下游哪些基础模型和专业模型协同完成任务——两个能力联动，不是非此即彼。

企业 AI 治理在实际业务中如何发生？

企业 AI 治理的决策，通常不是从「我要采购一个平台」开始，而是从「工程指标已经很全了，但业务结果还看不清」开始。这也是特赞过去在服务200多家大型企业过程中，和 CIO/CTO 了解到的一线反馈。

如果您的企业已经有多个团队在调用不同模型，工程监控也已经到位，但成本、质量和数据边界还没有和业务场景打通，那么 Model Hub 的接入不是一次产品采购，而是在现有工程体系上叠加一层业务级治理。

具体可以分三步：

第一步不是替换现有模型，而是把现有调用接进来，建立能见度。不改变任何现有的业务流程，只是让所有调用从统一的接入层经过。

第二步是看数据，做判断。统一接入之后，第一次能看到任务级的成本结构——哪些任务在用过贵的模型，哪些任务的质量标准设得不对，以及 CRM 发散推理能力在哪些商业判断场景能带来实质的质量提升。特赞的合规检测体系和 SOC2 Type 2 安全鉴证为整个调用链路提供合规兜底。

第三步是设规则，管边界。根据数据和业务需求，制定不同数据类型的模型访问策略，确保敏感数据的流向受控。

这三步都可以分阶段做，不需要一次性替换现有基础设施。

两个能力，一个底座

发散推理——回答：这个开放性问题有哪些路径，如何有依据地收敛？

多模型编排——回答：这个业务任务应该调用哪个模型（或模型组合）？

两个能力建立在统一接入、成本管控、质量评估和合规治理的底座之上，共同组成特赞 Model Hub——一个可独立部署的发散推理与多模型编排平台，支持从工程可用走向业务可治。

如果您正在评估企业模型治理的现状，或者想了解在现有 AI 基础设施上接入 Model Hub 的具体路径，欢迎联系特赞，一起梳理现有模型使用情况，在现有基建之上让治理和业务走得更近。