AlphaSense 實測：Context、搜尋與模型路由比模型本身更重要

• URL: https://www.aiposthub.com/alphasense-frontier-ai-context-search-model-routing/
• Date Saved: 2026-08-24
• Source: aiposthub.com (by Philo)
• Tags: ai-engineering, business

Summary

AlphaSense（金融研究平台）用 245 道多步驟金融研究題測試多模型，核心發現：企業 AI 瓶頸不在模型能力，而在 Context、搜尋、Harness 與模型路由。

關鍵測試結果（成對比較偏好比）

配置	偏好比 vs baseline
換搜尋（向量→AlphaSense Search）	1.7:1
+ 最佳單模型	1.8:1
+ 完整 Harness（查詢生成、規劃、搜尋分數傳遞）	2.1:1
+ 模型路由（依任務選模型）	2.8:1

單模型排名（僅限本測試）：GPT-5.6 Sol 1.73 > Claude Opus 4.8 1.60 > Kimi K3 1.44 > Gemma 4-31B / Claude Sonnet 5 1.34

核心洞察

1. Context ≠ Context Window — 能塞多少 ≠ 能用好多少。重要的是「最小但足夠」的證據集合

2. 搜尋失敗三類：

   • 問題沒轉成正確搜尋條件
   • 語意相似但來源權威性不同（財報 vs 新聞 vs 傳聞）
   • 不知何時停止搜尋（太早或太多都傷）

3. Token 單價便宜 ≠ 整題便宜 — Kimi K3 單價低但每題成本反而高（用更多 token 組 context）；Claude Opus 5 抓太多資料，品質低於 Opus 4.8 且成本高數倍

4. 模型路由 > 單一最強模型 — 沒有單一模型贏過半題目，不同模型分別擅長數字擷取、篩選、長篇綜合

企業 AI 5 個投資重點

1. 先建來源層級再談 RAG（官方申報 vs 新聞 vs 傳聞）
2. 把 Context 當有限預算管理
3. 用真實任務持續評測（30-100 題）
4. 依任務路由，不要每題都叫最貴模型
5. 高頻重複問題預先計算成結構化資料

實際建議順序

固定一個模型 → 整理 30 道真實題 → 加入可追蹤檢索流程 → 比較改搜尋 vs 換模型各帶來多少改善