Combination（组合/联用）在当前 AI 语境下主要指两类话题：一是模型组合策略——将不同的基础模型、工具或智能体搭配使用以获得优于单模型的效果；二是药物组合筛选等科学场景中，用机器学习预测多种干预手段联合使用的协同效应。这两条线索的共同点在于：单个组件的能力已经足够强，下一步的增量来自'怎么组合'。
模型组合成为新的实践焦点
成本下降放大了组合策略的价值
有转述指出，部分高用量场景的真实 API 成本可能达到每月 10 万–50 万美元的量级，但按当前成本下降曲线，未来一两年内原本 1000 万美元的 Token 开销可能压缩到 1 万美元左右。若这一趋势延续，'多模型串联、分工协作'的组合方案在成本上会变得更可负担，组合式架构的采用门槛随之降低。
当前焦点与观察点
围绕 Combination 的讨论目前集中在三个问题。其一是组合的可复现性：'A 模型 + B 模型效果惊艳'这类经验判断，多数停留在个案层面，缺乏系统评测，能否沉淀为通用方法论仍待验证。其二是认知分层带来的评价分歧：Karpathy 描述的四层认知结构意味着，同一组合方案在深度用户和大众眼中的价值判断可能完全不同，这也是产品定位上的现实约束。其三是科学领域的组合预测：药物组合筛选这类任务组合空间巨大而标注数据昂贵，ScreenShot 等基础模型路线能否在小样本条件下给出可靠排序，是检验'组合智能'能否走出聊天场景、进入严肃科学应用的一个观察窗口。
总体来看，Combination 正从零散的最佳实践，逐步演化为一个独立的技术议题：当单模型能力趋同、推理成本快速下降时，竞争优势更多取决于组件的选择与搭配方式。