深入解读Hermes MoA功能：多模型协作碾压GPT与Claude

type

status

date

slug

summary

闭源模型受限催生新解法：MoA混合代理登场

Nous Research在官方社交媒体上曾一针见血地指出：“最强大的模型是受限的，只有少数人才能获得访问权限。”这不仅是对Fable 5等顶尖模型被封禁事件的回应，也揭示了当前大模型生态中的资源壁垒。在这样的背景下，Hermes Agent推出MoA功能的终极目的非常明确：通过巧妙组合开源模型，达到甚至超越顶尖闭源模型的水准。

正如Hermes Agent联合创始人Teknium所言，他们致力于测试各种开源模型组合，探索是否能用更低廉的成本实现媲美顶尖claude或openai模型的效果。这种“众人拾柴火焰高”的思路，正在成为AI资讯领域的最大热点。此前日本AI独角兽Sakana AI发布的Sakana Fugu系列编排器模型，同样采用了根据任务动态选择最佳模型的策略，这标志着LLM的发展正从“单打独斗”迈向“团队协作”。

深度解析MoA技术原理：参考与聚合的完美协同

MoA（Mixture of Agents）并非无源之水。早在2024年6月，Together AI就发表了题为《Mixture-of-Agents Enhances Large Language Model Capabilities》的论文，奠定了多LLM组合的理论基础。其核心机制在于分层递进：每一层模型都会深度参考上一层模型的输出，进而生成更加完善的回答。

在Hermes的实际应用中，MoA将模型明确划分为两类：参考模型（Reference Models）与聚合模型（Aggregator Model）。当用户输入提示词（Prompt）提出问题时，工作流程如下：首先，多个“参考模型”会对问题进行多维度的分析与判断，生成各自的参考意见。值得注意的是，参考模型仅负责“出谋划策”，不会调用任何外部工具或执行具体命令。随后，“聚合模型”登场，它会综合所有参考模型的意见，进行最终的逻辑梳理与判断，并调用必要的工具执行具体任务。这种模式完美发挥了不同模型的独特优势：让擅长逻辑推理的模型负责思考，让长于代码生成或工具调用的模型负责落地。

实测对比：游戏开发与复杂交互的全面碾压

为了验证MoA的真实战力，海外开发者进行了深度的对比实测，结果令人瞩目。

在第一个测试中，开发者要求使用Three.js开发一个原力海盗训练竞技场的小游戏。单一模型组使用了glm-5.2，耗时13分钟，花费0.38美元，虽然生成了游戏，但在移动速度、流畅度和可玩性上存在明显瑕疵。而在MoA模式下，开发者选用kimi-k2.6和minimax-m3作为参考模型，glm-5.2作为聚合模型。虽然耗时增加到35分钟，成本微涨至0.47美元，但生成的游戏在关卡合理性、飞船操控丝滑度上实现了质的飞跃，彻底碾压了单一模型的表现。

第二个测试则更加硬核：生成一个包含火影忍者、海贼王等IP的可交互动漫多元宇宙仪表盘。对照组使用顶尖闭源模型GPT-5.5，耗时近7分钟，交互流畅但视觉质感略显单薄。实验组则开启MoA，使用三个Grok快速模型作为参考，GPT-5.5作为聚合模型。令人意外的是，得益于Grok极高的生成效率，MoA模式下的完成速度竟然比单一模型更快！更重要的是，最终生成的仪表盘光球设计感极强，质感饱满，星球点击时的远近景切换极其丝滑。这证明了在面对复杂任务时，多模型的智慧碰撞能够产生1+1>2的奇效。

从单一模型到AI编排：AGI时代的未来趋势

过去几年，AI新闻的头条几乎都被“谁家的模型参数更大”、“谁的跑分更高”所占据。用户在编程、写作、推理等不同任务间，疲于奔命地切换各种chatGPT或开源工具。

但Hermes MoA和Sakana Fugu的出现，昭示着一条全新的演进路线：与其苦苦等待一个全知全能的“万能模型”，不如构建一个强大的Agent编排系统，让多个术业有专攻的模型协同作战。这种走向“编排”的趋势，正是通往AGI的重要基石。底层模型提供基础的计算与生成能力，而Agent则扮演“项目经理”的角色，负责组织协调。

当然，MoA模式在当下仍面临推理成本较高、部分任务耗时增加的挑战。但随着算力成本的持续下降和开源模型能力的爆发式增长，多模型协作必将成为未来Agent的默认工作方式。这不仅会极大提升AI的生产力，也将为AI变现提供更加丰富、高质量的商业落地场景。

在这个技术日新月异的时代，保持对前沿趋势的敏锐度至关重要。想要获取更多关于大模型协作、提示词优化以及每日精选的AI日报，欢迎访问专业的AI门户，与我们一同见证人工智能重塑世界的每一个精彩瞬间。