Microsoft 正在扩大 Foundry Model Router 的覆盖范围：全球标准部署从两个区域扩展到 28 个区域，数据区域部署则覆盖 21 个区域。与此同时，模型池加入 Claude Opus 4.8 和 GPT-5.6，并移除四个已弃用模型。这个变化看似只是一次模型列表刷新，实际上会影响部署可用性、模型选择范围以及应用能够使用的上下文窗口。
模型池发生了什么变化
这次更新包含三类变化：
- 全球标准部署的可用区域增加到 28 个。
- 数据区域部署的可用区域增加到 21 个。
- 模型池加入 Claude Opus 4.8、GPT-5.6，同时移除四个已弃用模型。
区域扩展意味着应用可以在更多区域使用路由能力，但并不代表每个区域的模型组合完全一致。部署类型仍然重要：需要满足数据驻留要求的应用，应单独确认数据区域部署是否覆盖目标区域，以及目标区域中的模型池是否符合业务要求。
模型池更新也会改变路由器能够选择的候选模型。对于默认部署，池的变化会自动生效；对于显式配置了模型子集的部署，新模型不会自动加入，必须由使用方主动添加。
默认部署和自定义子集的差异
可以把 Model Router 理解成一个候选模型池。默认部署使用平台维护的池，因此平台更新后，路由器可能直接开始使用新模型。显式配置模型子集的部署则更像一份固定白名单，它提供了更强的可控性，但也意味着新模型不会自动进入候选范围。
这种差异会带来两个实际结果：
- 默认部署更容易获得模型池的最新能力，但模型行为可能随池更新而变化。
- 自定义子集更适合需要稳定性、审计或兼容性验证的生产系统，但需要持续维护配置。
如果应用依赖某个固定模型的输出格式、工具调用行为或成本特征，不应只依赖默认池。可以先在测试环境观察更新后的路由结果，再决定是否锁定一个经过验证的子集。
上下文窗口由最小模型决定
这次更新中一个容易被忽略的限制是：有效上下文窗口等于模型池中上下文窗口最小的模型。
例如，一个池中包含三个模型，假设它们的上下文窗口分别为 200000、128000 和 64000，那么路由器对该池提供的有效上下文窗口就是 64000，而不是 200000。即使某次请求最终被路由到支持更长上下文的模型，也不能把整个池当成一个 200000 token 的统一接口。
可以这样实践：在应用启动时检查候选模型的上下文限制，并用最小值约束请求。下面是一个不依赖 Microsoft SDK 的最小 Python 示例，模型名称和上下文数值仅用于演示，实际项目应替换为部署配置或服务端返回的元数据。
from dataclasses import dataclass
@dataclass(frozen=True)
class Model:
name: str
context_window: int
POOL = [
Model("claude-opus-4.8", 200_000),
Model("gpt-5.6", 128_000),
Model("legacy-compatible-model", 64_000),
]
effective_context = min(model.context_window for model in POOL)
print(f"effective context window: {effective_context} tokens")
requested_tokens = 100_000
if requested_tokens > effective_context:
raise ValueError(
f"request needs {requested_tokens} tokens, "
f"but this pool supports at most {effective_context} tokens"
)
生产环境中还应把这个检查放在请求入口，或在长对话进入路由器前执行历史压缩、摘要和截断。这样可以避免某个新模型看似支持更长上下文，但请求仍因池中较小模型的限制而失败。
如何处理这次更新
可以用下面的检查清单评估现有部署：
- 确认应用使用的是默认部署还是显式模型子集。
- 检查目标区域属于全球标准部署还是数据区域部署。
- 重新记录当前模型池，尤其关注四个已弃用模型是否仍出现在配置、监控和回退逻辑中。
- 验证新模型加入后，输出格式、工具调用和延迟是否满足应用要求。
- 按模型池中的最小上下文窗口设置应用侧限制。
- 为默认部署建立模型变更监控，避免平台自动更新后出现难以解释的行为变化。
Model Router 的价值在于把模型选择交给路由层，但自动化并不等于无需治理。默认池适合希望快速获得新模型的场景；自定义子集适合需要严格回归测试和稳定行为的生产工作负载。选择哪种方式，取决于应用更看重模型池的新鲜度，还是更看重可预测性。