Agent微调复活？英伟达开源8B新模型带飞GPT-5：在HLE狂卷37分，还把成本打下来
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：
自增强偏见：模型倾向“找自己家族的人帮忙”；例如GPT-5倾向于调用GPT-5-mini，造成性能下降。
他增强偏见：无脑调用“最强模型”，成本爆表。例如Qwen3-8B大量把活交给GPT-5，不管代价如何。
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
ToolOrchestra的核心是把各种工具（网页/本地检索、代码执行、数学与通用 LLM 等）统一成一个JSON接口，让8B指挥家能在多轮回合里先思考、再调用、再读回馈，直到收敛。训练上，使用GRPO强化学习，ToolOrchestra让模型同时最大化三种奖励：
1 正确性（任务是否解决）；
2 效率（货币/时延罚项）；
3 用户偏好（你更爱本地检索还是云搜索，更看重速度还是成本）。
为了配合强化学习训练，论文还打造了一个合成数据集ToolScale：先由 LLM生成领域数据库与API，再自动合成“任务—黄金动作序列”，并通过执行正确性、过程完整性等可验证标准筛选。覆盖金融、医疗、出行、教育等10个领域，为端到端RL提供真实而丰富的环境。
实验亮点：更强、更省，还更稳
主赛道：
HLE（人类最后一场考试）：Orchestrator-8B 37.1% ＞ GPT-5（35.1%）。
FRAMES（事实推理）：Orchestrator-8B 76.3 ＞ GPT-5（74.0）。
τ²-Bench（复杂工具调用）：80.2 ＞ GPT-5（77.7）。
同时平均成本仅9.2美分，时延8.2分钟，显著低于GPT-5。
成本—效果曲线
在同等预算下，Orchestrator-8B的准确率曲线始终在GPT-5、Claude 等曲线之上；相当准确率下花得更少。
不“迷信最强”而是“各尽其用”。指挥家不会一味狂点GPT-5，而是平衡调用：本地/网页检索、代码执行、专长模型（如数学/编程）与通用LLM各司其职，用最省的刀切最对的菜。
泛化到“新乐手”也不慌。即便换成训练时没见过的工具/模型组合，指挥家依旧能从模型描述推断其强弱与擅长领域，维持最优性价比。
听你的：偏好对齐，对“更私的本地检索/更快/更省”等偏好，指挥家比强基座更能遵命行事，把“合你心意”从口号变成指标。
这篇论文给解决复杂的任务提供了一个新的范式，从“一个大模型包打天下”，到“小模型+工具+专家模型的复合系统”。从实用角度来看，把昂贵的最好的大模型留给真正难点，其余交给便宜、高效的工具链，稳定、可控、可落地。对于企业客户来说，这套系统在多个场景里都可以直接应用：
场景 1：企业内部问答/报表分析——默认用本地索引+代码沙盒完成 80% 工作，只在遇到歧义/复杂推理时短暂“借力”强模型。
场景 2：研发检索/调研——设定“时间上限/成本上限”与“来源偏好”（本地/公开），让指挥家边走边权衡。
场景 3：Agent工作流——把函数/工具都纳入统一接口，交给指挥家端到端编排，而不是靠写死的if-else。
Orchestrator-8B不是“更大的大模型”，而是更像一位懂乐谱、听细节、会省钱的“工具乐队指挥家”。当智能从单体走向复合系统，我们更需要这样的“协调者”，在正确率、成本、时延与偏好之间，给出最优解。
目前，论文已经开放全部代码、模型与数据，方便学界与产业跟进。
论文: https://arxiv.org/abs/2511.21689
代码: https://github.com/NVlabs/ToolOrchestra/
模型: https://huggingface.co/nvidia/Orchestrator-8B
数据: https://huggingface.co/datasets/nvidia/ToolScale