8 量化特征 + 5 评分因子 + 套餐数据 + 分层窗口融合。
| 特征 | 类型 | 含义 | 用途 |
|---|---|---|---|
| est_input_tokens | u64 | 估算输入 tokens | 窗口过滤、配额检查、budget_pressure |
| user_text_chars | usize | 用户文本字符数 | tier 域匹配权重 |
| code_density | f32 | 代码字符占比 0-1 | domain 推断辅助 |
| tool_count | usize | 请求带的工具定义数 | agentic 维度加权 |
| tool_ratio | f32 | 工具参数/总文本比 | tool_heavy 推断 |
| has_images | bool | 是否带图片 | 过滤无视觉模型 |
| turn_count | usize | 会话第几轮 | session_depth 推断 |
| cjk_ratio | f32 | 中日韩字符占比 | CJK 弱模型救援启发式 |
关键：这些是量化特征，不包含任何原文。redact=true 时连会话 digest 的 first/last_head 也只发占位 [text]。
| 维度 | 路由用途 |
|---|---|
| domain（8 类） | 选 tier 的哪个维度（Code→coding 为主，Other→vision 弱相关） |
| difficulty (L1-L4 → 0.5-3.0) | ①质量底线 ②成本权重联动 ③黏性资格 |
| needs_vision | >0.5 过滤无视觉字段的模型 |
| is_trivial | 寒暄类 → 便宜模型加权 |
| tool_heavy | agentic 维度加权 |
| high_stakes | >0.6 → 禁探索 + 质量加严 |
| session_relevance/depth | 进 difficulty_eff 调整 |
| 因子 | 来源 | 时间口径 | 备注 |
|---|---|---|---|
| q 质量 | 全局 MODEL_TIERS 表（按模型名） | 静态 | 难度惩罚后能力分 |
| s 速度 | 目录先验 7 : 实测 3 混合 | 对数衰减 | 偏近期（分钟级波动） |
| c 成本 | 套餐积分系数折算 / 按量比价 | 实时（每次请求计） | 同方案内 min_hint 锚定 |
| r 可靠 | flywheel 实测 success/requests | 分层窗口 | 长期 50% + 近30次 30% + 近10次 20% |
| h 余量 | (context_window - est - max_output) / context_window |
实时 | 防"刚好装下"的脆弱 |
score = W_q·q + W_s·s + W_c·c + W_r·r + W_h·h × √(用户权重·学习偏置) × 预算压制
质量门槛（2026-10 方向修正）：quality_floor(d)=0.50+0.35·d/3——难度低门槛松（成本主导），
难度高门槛严（仅强模型）。旧式反向公式在 L1 给 0.925 门槛会把便宜弱模型全挡掉。
| 层 | 规则 | 实现 |
|---|---|---|
| 难度校准 | 滚动分位把原始难度重塑到 70/20/10（简单/中等/困难） | calibration.rs（窗口 512、冷启动 <64 直通） |
| 能力/价位标签 | 分位分配（两维各 70/20/10），分母 = 当前可用池（冷却/配额闸门/无凭据动态排除） | tags.rs + meta::assign_tags_within |
| 价位层硬闸 | L1 仅 cheap；L2 到 medium；L3 全开；倒挂例外（同家族成本 ≤ 允许层中位）＋质量优先回退 | engine.rs（price_tier_of 输入） |
| 有效成本 | 官方价目（套餐系数/按量 CNY·USD）＋缓存命中价（≈未命中 1/50）＋峰谷时段 | provider_info.rs + scoring::est_cost |
| 缓存经济粘性 | 命中率 >0.6 且对手不便宜 >15% → 不切（重打前缀是全 miss） | engine.rs + scoring::cache_hit_rate |
| 比例控制器 | 观测实际档位占比 → 超标层成本乘子 1.0→1.5（目标 7:2:1） | ratio.rs |
| 活跃集 50 | 最近发布（保底 20 席）＋最近使用（14 天窗口）；面板可启停、启用自动顶掉最低分 | recency.rs + /api/models/active |
| 供给偏好 | 订阅配额（会过期）优先于按量付费；API 型 90s 看门狗刷新、无 API 型 5-10min 真实探测 | quota.rs gate + watchdog |
观测：/api/stats（difficulty / ratio / last100 三维分布）、/api/report 或 evo-router report（端到端 KPI 回测）。
| 模型 | 输入 | 缓存 | 输出 | hint 合成 |
|---|---|---|---|---|
| GLM-5.3-Flash | 2.3 | 0.56 | 8 | 26.3 |
| GLM-5.3 | 6.9 | 1.7 | 24 | 78.9 |
公式 hint = 输入 + 3×输出（输出对额度压力 3 倍权重）；同方案 min_hint=26.3 → 5.3 c=26.3/78.9=0.33。
| 模型 | 输入 | 缓存 | 输出 | hint 合成 |
|---|---|---|---|---|
| MiniMax-M3 | 6.9 | 1.7 | 24 | 78.9 |
| MiniMax-M2.7 | 2.3 | 0.56 | 8 | 26.3 |
| 模型 | 输入 | 输出 | hint 合成 |
|---|---|---|---|
| kimi-k3 | 10 | 10 | 40 |
| glm-5.3 | 4.5 | 4.5 | 18 |
| kimi-k2.8-preview | 8 | 8 | 32 |
| doubao-2.0-mini | 0.5 | 0.5 | 2 |
| 模型 | r | c | v | a |
|---|---|---|---|---|
| glm-5.3-flash | 0.70 | 0.85 | 0.85 | 0.85 |
| glm-5.3 | 0.85 | 0.95 | 0.85 | 0.95 |
| glm-5.2 | 0.80 | 0.88 | 0.85 | 0.90 |
| glm-5.1 | 0.75 | 0.82 | 0.80 | 0.85 |
| glm-latest | 0.85 | 0.93 | 0.85 | 0.93 |
| minimax-m3 | 0.85 | 0.90 | 0.85 | 0.90 |
| minimax-m2.7 | 0.72 | 0.78 | 0.85 | 0.78 |
| minimax-m2.7-highspeed | 0.70 | 0.75 | 0.85 | 0.75 |
| kimi-k3 | 0.88 | 0.92 | 0.85 | 0.92 |
| kimi-k2.7 | 0.78 | 0.85 | 0.80 | 0.85 |
| kimi-k2.8-preview | 0.80 | 0.85 | 0.80 | 0.85 |
| deepseek-v4-pro | 0.90 | 0.93 | 0.75 | 0.90 |
| deepseek-v4-flash | 0.70 | 0.80 | 0.75 | 0.80 |
| deepseek-v4.1-flash | 0.72 | 0.82 | 0.75 | 0.82 |
| deepseek-flash | 0.65 | 0.75 | 0.70 | 0.75 |
| doubao-seed-2.1-pro | 0.85 | 0.88 | 0.90 | 0.88 |
| doubao-seed-2.1-lite | 0.70 | 0.78 | 0.80 | 0.76 |
| doubao-seed-2.0-mini | 0.60 | 0.70 | 0.70 | 0.70 |
| doubao-seed-evolving | 0.85 | 0.90 | 0.90 | 0.92 |
| gpt-6-luna | 0.92 | 0.95 | 0.85 | 0.92 |
| gpt-5.6-luna | 0.88 | 0.90 | 0.80 | 0.88 |
| grok-4.7 | 0.93 | 0.94 | 0.85 | 0.93 |
| grok-4.6 | 0.90 | 0.92 | 0.85 | 0.90 |
| qwen3.8-max | 0.88 | 0.90 | 0.85 | 0.88 |
| qwen3.8-flash | 0.68 | 0.78 | 0.80 | 0.78 |
| qwen3.7-plus | 0.75 | 0.80 | 0.85 | 0.80 |
| longcat-2.0 | 0.65 | 0.72 | 0.60 | 0.75 |
| hy4 | 0.78 | 0.82 | 0.75 | 0.82 |
| hy3 | 0.65 | 0.72 | 0.60 | 0.72 |
| ark-code-latest | 0.82 | 0.90 | 0.75 | 0.90 |
来源优先级：
- 用户 TOML
tiers = { coding = 0.9, ... }显式声明 - 全局 MODEL_TIERS 表（最长名优先匹配，glm-5.3-flash 不会被 glm-5.3 吞）
- benchmarks 学习覆盖（未接线，预留）
- discovery 猜测值（opencode config reasoning 标志 + 硬编码 0.6）
r_long = 累计 success/requests
r_30 = recent 环尾 30 条 sample 中 ok/total（≤6h 期限内）
r_10 = recent 环尾 10 条 sample 中 ok/total（≤30min 期限内）
r = 5·r_long + 3·r_30 + 2·r_10 → /10
缺层归并（r_30 None → 6·r_long+4·r_10 / 10; ...）
rel_window 三重约束：
- 条数上限（30/10）
- 回溯期限（≤6h/≤30min）——"不能太老无法感知波动"
- 最小样本门槛（≥5/≥3）——"不能太新统计不稳"
用户裁决："不既要看着太久，也要稳定"。短窗+长窗混合，缺层自动回退到上一层。