TL;DR：NVIDIA 于 2026 年 8 月 11 日发布的 Nemotron 3.5 Lightning 与 NeMo Switchyard，瞄准的是 AI Agent 的模型路由问题：让规划等复杂步骤用强模型，工具调用、格式整理等步骤交给更小更便宜的模型。本文同时核对了评测边界、降本数字的前提，以及仓库仍标注 pre-alpha 的现实——它值得跟踪，但还不是能直接上生产的组件。

一个 AI Agent 真正运行起来以后，并不是每一步都需要最强模型。制定计划、处理复杂异常，可能值得调用能力最强的模型；执行工具、检查返回值、整理格式和重复查询，往往更在意速度和成本。

如果所有步骤都交给同一个昂贵模型，效果容易预测，账单和延迟却会迅速增加。反过来，如果只用便宜模型，复杂任务又可能失败。模型路由想解决的，就是如何在这两种选择之间分工。

视频版（B站） ｜ 音频版（5 分 53 秒）｜ Spotify 订阅 ｜ 偏好阅读？文字版就在下方

Agent 不只需要一个模型

传统聊天产品通常把一次请求交给一个固定模型。Agent 的情况不同：它可能先规划，再调用工具，读取结果，修正计划，最后生成答案。一次任务里会出现很多性质不同的步骤。

NVIDIA 把这种架构称为“模型系统”：前沿推理模型负责规划和编排，小而快的模型承担代码检查、工具调用、安全告警监控和账单查询等高频工作。这个思路并不要求小模型取代大模型，而是让每种模型做自己更合适的事。

Nemotron 3.5 Lightning 小在哪里

Nemotron 3.5 Lightning 是一个 300 亿参数的混合专家模型（MoE），但每个 token 只激活约 30 亿参数。可以把它理解成一个拥有多个专家小组的组织：总知识容量仍然较大，每次任务只叫少数专家参与，因此单次计算量接近更小的稠密模型。

NVIDIA 的技术文章称，它针对长期运行 Agent 的高频执行层设计，并使用多 token 预测、推测解码和量化等手段提高吞吐量。官方公布的结果包括：

• 相比同级模型，输出速度最高可达 4 倍；
• 在 PinchBench 上达到 86% 准确率，完成 1 万个任务的时间比 Qwen3.6 35B 快 30%，同时保持接近的准确率；
• 提供 BF16 和 NVFP4 检查点，可用于本地和数据中心部署。

这些都是 NVIDIA 选择的测试条件和对照模型，适合用来理解产品定位，不能直接换算成任何业务的固定收益。真实效果仍取决于任务分布、推理框架、硬件、并发量和输出长度。

Switchyard 不只是一个“选模型”按钮

NeMo Switchyard 是一个用 Rust 编写的代理和路由库。它能在不同模型与供应商之间分配请求，也负责 OpenAI Chat、OpenAI Responses 和 Anthropic Messages 等接口格式之间的转换。

仓库目前提供多种路由方式：

• 用一个分类模型判断请求应该进入强模型还是弱模型；
• 根据工具结果、错误等会话信号分阶段路由；
• 先让弱模型回答，再由评审决定是否升级；
• 按固定比例随机分流，用于 A/B 测试；
• 编写自定义算法，把质量、延迟和成本偏好放进自己的规则。

这张图表示一般性的模型路由结构，不代表 Switchyard 会自动识别所有任务，也不表示三类模型一定同时存在。

路由器本身也会消耗资源。真实总成本不仅包括最终模型调用，还包括路由判断、额外分类模型、缓存补齐、失败重试和升级调用。若没有统一的质量门禁，所谓“节省成本”可能只是把错误推迟到后面。

那些漂亮的降本数字该怎么看

NVIDIA 公布的内部基准称，Switchyard 在保持前沿级准确率的同时，可把任务完成成本降到单独使用 Opus 4.8 的近三分之一。合作方数据中还有两组很醒目：

• LangChain 在 145 个多轮 Deep Agents 任务中，只把 7% 的调用交给前沿模型，成本降低 74%，但准确率下降了 6%；
• Ramp 报告称，在其 SWE-Bench 场景中，成本降低 58%，运行时间减少 33%，同时匹配前沿模型表现。

这些结果说明模型路由有潜力，但它们来自 NVIDIA 及合作方披露，并不是对所有任务的独立保证。尤其要注意 LangChain 的结果并非“质量完全不变”，而是用 6% 的准确率差异换取明显的成本下降。

评估路由器时，至少要同时看四项指标：正确率、端到端延迟、完整任务成本和失败后的恢复成本。只比较单个 token 价格，往往会漏掉路由判断和重试。

换模型会不会毁掉提示缓存

Hacker News 讨论中，争议最大的问题之一是提示缓存。批评者认为，同一会话不断切换模型，会让已经积累的 KV Cache 失效，抵消便宜模型省下的成本。

社区里也有人给出另一种解释：每个模型可以维护自己的缓存；重新切回某个模型时，只需要为它补上缺失的对话增量，而不是每次从头处理全部上下文。这样做仍然需要额外 prefill，而且缓存不能在结构不同的模型间直接共享，但较便宜模型承担更多生成工作后，整体仍可能节省费用。

这段讨论不能当作 Switchyard 的官方缓存承诺。它更像一个提醒：模型池大小、会话黏性、缓存策略和路由频率必须一起设计。模型选得越多，路由器越复杂，未必越划算。

新闻稿很积极，仓库却写着 pre-alpha

截至 2026 年 8 月 28 日，Switchyard 仓库仍把整个项目标为 pre-alpha，并提醒 API 和算法在 1.0 之前可能大幅变化。各组件的成熟度也不同：libsy 标为 Beta、可试验性集成；客户端和 runner 仍是 Alpha；switchyard-server 是演示服务器，明确不建议用于生产环境。

这与新闻稿中的“部署”“企业使用”并不完全矛盾：合作方可能使用的是内部集成、特定组件或受控试验，并不等于公开仓库中的演示服务器已经具备生产条件。对普通开发团队来说，更合理的起点是离线评测或旁路实验，而不是立刻替换线上网关。

真正动手前，先准备一张自己的路由表

如果要验证模型路由，可以从一个很小的模型池开始：一个擅长复杂规划的模型，一个便宜快速的执行模型，再加明确的升级条件。

建议先完成下面几件事：

1. 从真实日志中整理任务类型，不要凭想象分类；
2. 用同一批任务建立单模型基线，包括质量、延迟和总成本；
3. 为每种路由结果记录选中了谁、为什么选、是否升级以及最终是否成功；
4. 单独测量长会话下的缓存命中率和补齐成本；
5. 为路由错误准备回退方案，并把重试也计入成本。

好的路由器不会一味选择最便宜的模型。它应当使用可验证的规则，把昂贵能力留给确实需要它的步骤。

收看本期节目

音频：在线播放或下载 ｜ 播客主页：听懂 AI

原始资料与延伸阅读

本文由《听懂 AI》第 002 期整理而成。节目讨论的主要来源是 NVIDIA 于 2026 年 8 月 11 日发布的 Nemotron 3.5 Lightning 与 NeMo Switchyard 资料，并加入了对项目成熟度、评测边界和 Hacker News 社区争议的核对。

1. Kari Briski，NVIDIA，2026-08-11：NVIDIA Nemotron 3.5 Lightning and NeMo Switchyard Deliver Faster, Smarter, More Efficient Agentic AI
2. Chris Alexiuk、Chintan Patel，NVIDIA Technical Blog，2026-08-11：NVIDIA Nemotron 3.5 Lightning Delivers Fast, Accurate Specialized Task Execution for Long-Running Agents
3. NVIDIA-NeMo：Switchyard GitHub 仓库——功能、路由策略、许可证与成熟度说明。
4. Hacker News：Nvidia Nemotron 3.5 Lightning and NeMo Switchyard——社区关于缓存、路由开销和产品成熟度的讨论；评论不代表已经验证的事实。

资料说明：性能和合作方数据主要来自 NVIDIA 官方材料，本文已保留测试主体、对照对象与准确率差异。关于缓存的内容来自社区讨论，只作为工程问题线索，不作为 Switchyard 的官方保证。