Orchestrator团队 投稿 量子位 | 公众号 QbitAI 当问题又深又复杂时，一味上最强模型既贵又慢。测试时扩展能想得更久，却不一定想得更对。 最近，来自英伟达和香港大学的研究员提出一种新范式：用一个8B小模型当指挥家，把代码解释器、网络搜索、数学模型、甚至更强的大模 型当作乐手，按需编排、分工合作，用强化学习把"正确、便宜、合你心意"三件事同时做到。 在人类最后一场考试（Humanity's Last Exam）上，指挥家 Orchestrator-8B以 37.1% 的成绩超过GPT-5（35.1%），还更省2.5×计算成 本；在τ²-Bench与FRAMES上同样全面领先，成本却只有对手的大约三成。 为什么需要Agent微调？ 只靠提示词也可以搭建一个多智能体系统，但是论文发现，依赖提示词的系统，存在着两大偏见： 这两种偏见的存在都会让一个大模型"自我调度"往往失灵：因此，论文提出使用强化学习训练指挥家agent，通过多重奖励来提升效果和效 率。 ToolOrchestra：统一接口 + 多轮编排 + 强化学习三重奖励 实验亮点：更强、更省，还更稳 主赛道： ToolOrchestra的核心 ...