英偉達(dá)端著一個8B小模型對GPT-5說：

不好意思，你還得練（bushi）。

何出此言？——英偉達(dá)攜手香港大學(xué)開源的Orchestrator-8B，人類終極考試HLE分?jǐn)?shù)更高、花錢更少、跑起來速度還更快。

哦對了，還在HuggingFace被狂贊，沖到了熱門模型前五。

而它超越GPT-5的打法是不當(dāng)推理者，而是“工具主理人”，協(xié)調(diào)使用各路工具。

如何吊打GPT-5？

人在解決問題時會找各種幫手，比如搜索引擎、計算器 ，那這個工作能不能由模型代勞？

Orchestrator干的就是這事兒。

雖然自己只有8B參數(shù)，但手下管著一整個工具團(tuán)隊。

既有GPT-5、Claude Opus 4.1這樣的頂級大模型，也有Qwen2.5-Math這樣的專業(yè)數(shù)學(xué)工具，還有網(wǎng)頁搜索、本地檢索、代碼解釋器這些實用小幫手。

它并不是自己解題，而是判斷現(xiàn)在該用哪個工具、控制工具的順序和使用次數(shù)、還能兼顧效果、成本、用戶偏好，工作日常如下：

• 拿到難題先分析：這題需要算數(shù)學(xué)？那就調(diào)用Qwen2.5-Math；
• 過程中動態(tài)調(diào)整：搜完資料發(fā)現(xiàn)需要驗證？那就先用代碼解釋器跑一遍；
• 全程把控用戶偏好：用戶說要省錢，那GPT-5能不用就不用，優(yōu)先用本地工具。

簡單說，大模型是一個人干所有活，而Orchestrator-8B是帶著團(tuán)隊干專業(yè)活。

能讓小模型精準(zhǔn)協(xié)調(diào)這么多工具，全靠英偉達(dá)的ToolOrchestra訓(xùn)練大法。

核心有兩個，一個是有獎有罰的強化學(xué)習(xí)，一個是量身定制的ToolScale數(shù)據(jù)集。

訓(xùn)練時給Orchestrator立了三條獎懲規(guī)則：

• 效果獎：讓GPT-5判對錯，解題對了加分，錯了扣分；
• 效率獎：用的錢少、耗時短加分，反之扣分；
• 偏好獎：聽用戶的話加分，比如用戶要隱私保護(hù)，多用本地搜索就加分。

研究者建了個包含金融、醫(yī)療、電商、旅游等10個領(lǐng)域的訓(xùn)練素材庫，里面全是“怎么用工具解題”的案例，讓模型充分接觸各類場景。

Orchestrator-8B也在權(quán)威測試中交出了令人滿意的答卷。

HLE測試?yán)锼孟?7.1%的得分，超過GPT-5的35.1%，成本卻僅為后者的1/2.5；

FRAMES、τ2-Bench測試中也拿下SOTA成績，降低了開支，運行速度更是快了一倍多。

小模型的逆襲

實際上，在AI領(lǐng)域工具編排和小模型驅(qū)動復(fù)合系統(tǒng)的賽道上，英偉達(dá)ToolOrchestra訓(xùn)練的Orchestrator-8B并非孤例。

最早探索讓小模型學(xué)會調(diào)用工具的代表性研究，是谷歌DeepMind在2023年提出的Toolformer，通過監(jiān)督學(xué)習(xí)+自生成數(shù)據(jù)，讓12B參數(shù)的模型學(xué)會調(diào)用計算器、翻譯API、搜索引擎等基礎(chǔ)工具；

但當(dāng)時，Toolformer僅聚焦基礎(chǔ)工具，并沒有把大模型納入工具庫。

MIT和CMU聯(lián)合團(tuán)隊的ToolRL，提出以獎勵為核心的工具學(xué)習(xí)框架，訓(xùn)練小模型通過強化學(xué)習(xí)動態(tài)選擇工具，主要是解決“傳統(tǒng)工具學(xué)習(xí)過度依賴人工標(biāo)注數(shù)據(jù)” 的問題，通過自動生成工具交互軌跡訓(xùn)練模型。

雖然也是獎勵機制，但ToolRL的獎勵函數(shù)更側(cè)重于任務(wù)的正確性和工具調(diào)用效率，并沒有明確納入用戶偏好，且工具庫以基礎(chǔ)工具和專業(yè)API為主。

今年，香港大學(xué)和微軟提出的Optimal Tool Calls（OCT），也是專門針對“工具調(diào)用成本優(yōu)化”的小模型訓(xùn)練方法。

越來越多的團(tuán)隊在做相關(guān)研究，也有越來越多的人關(guān)注該領(lǐng)域的進(jìn)展。

就拿Orchestrator-8B來說，為什么它能獲得HuggingFace高贊？

最明顯的原因就是實用。大模型雖強，但太貴、太慢，而Orchestrator-8B參數(shù)量小，還能實現(xiàn)「強+省錢」，直接解決了落地時的成本難題。

用低成本實現(xiàn)高智能，這么一看，AI的未來還真不一定是超級大模型單打獨斗了。

作者簡介

Orchestrator-8B這篇論文的一作是香港大學(xué)博士蘇弘錦，主要研究方向是數(shù)據(jù)科學(xué)和自然語言處理，現(xiàn)在英偉達(dá)實習(xí)。

共一是英偉達(dá)研究院的研究科學(xué)家Shizhe Diao，主要進(jìn)行大型基礎(chǔ)模型的預(yù)訓(xùn)練、高效調(diào)優(yōu)和對齊方面的研究，曾與字節(jié)跳動人工智能實驗室的李航博士合作。

論文地址：https://arxiv.org/abs/2511.21689
項目主頁：https://research.nvidia.com/labs/lpr/ToolOrchestra/
數(shù)據(jù)集：https://huggingface.co/datasets/nvidia/ToolScale
HuggingFace地址：https://huggingface.co/nvidia/Nemotron-Orchestrator-8B