Rayline 发布 ARC：根据任务难度自动分派模型、降低成本
做智能体的朋友可以看看 Rayline 的 ARC，它像个路由器，自动把简单步骤丢给便宜模型、难题留给强模型。DeepSWE 测试里 68.7% 对上 Opus 5.5 的 69.9%，成本却只有 7%。跑多步工作流、被 API 账单压着的人值得测一下。
Rayline 发布了小模型 ARC，用于在任务执行过程中决定每一步该由哪个模型处理、需要多少推理深度。用户把任务交给 ARC 后，它会自动把简单步骤分配给轻量模型，把复杂步骤分配给更强模型，以换取更快的速度和更低的成本。在 Rayline 自己的 DeepSWE 测试中，ARC 拿到 68.7% 的成绩，与 Opus 5.5 的 69.9% 接近，但每个任务的成本降到原来的 7%。
其工作方式是充当模型路由层：对任务进行拆解，逐段判断难度，再决定是调用便宜的小模型还是昂贵的大模型，甚至控制“思考”的量。这种机制意味着复杂工作流中大部分中间步骤不再需要最强模型参与，成本主要由难度分布决定。
对依赖多步智能体工作流的开发者来说，这类路由器直接影响 API 账单结构：接近旗舰模型的效果配上大幅缩水的成本，会促使团队重新评估全流程统一使用单一旗舰模型的默认做法。
Rayline has launched ARC, a tiny AI model designed to pick which model should handle each step of a task and how much it should think.
Users can send a task to ARC and have it automatically assign easy steps to a lighter model and hard ones to a stronger model, for a faster, more cost-efficient experience.
In Rayline's DeepSWE tests, ARC scored 68.7% versus 69.9% for Opus 5.5, while dropping the cost to 7% per task.
本条情报归属 AITOP「产品」核心追踪栏目。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：ARC、Rayline、Opus、模型路由，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「TestingCatalog」（@testingcatalog），经 AITOP 多维评分管线结构化提炼。
