Hermes新功能上线！比Opus 4.8和GPT-5.5还猛

发布时间：2026-07-17 14:26:24 来源：安智兰德资讯网 作者：知识

AI应用风向标（公众号：ZhidxcomAI） 作者｜毕伟豪 编辑｜漠影

智东西6月30日报道，新功线比随着Fable 5、和G还猛Mythos 5等顶级闭源模型逐渐受限或封禁，新功线比单一模型在处理复杂任务时的和G还猛局限性日益凸显。面对高质量输出需求的新功线比困境，用户该如何破局？和G还猛

近日，Hermes Agent正式推出MoA（Mixture of Agents，新功线比智能体混合）功能，和G还猛允许用户自由组合多个模型构建“虚拟模型”。新功线比在Nous Research即将发布的和G还猛基准测试中，这一混合架构的新功线比综合评分甚至超越了Opus 4.8和GPT-5.5，展现出惊人的和G还猛潜力。

一、新功线比 闭源受限，和G还猛多模型协同成新趋势

Nous Research在官方社交媒体上直言：“最强大的新功线比模型往往受到严格限制，仅少数人能访问。”这番话直指Fable 5等顶尖模型被封禁的行业现状。

在此背景下，MoA模式的战略意图清晰可见：通过开源模型的组合，逼近甚至超越顶尖闭源模型的性能。正如Hermes Agent联合创始人Teknium所言，团队正在探索如何利用成本更低的开源模型组合，达到Opus级别的输出水准。

这种“多模型协作”思路并非孤例。此前，日本AI独角兽Sakana AI发布的Sakana Fugu系列编排器模型，同样采用根据任务特性动态选择最佳模型的处理逻辑，与MoA理念不谋而合。

MoA的技术根基可追溯至2024年6月Together AI发表的论文《Mixture-of-Agents Enhances Large Language Model Capabilities》。该论文提出了一种多层LLM组合架构：每一层模型参考上一层的输出进行推理，最终生成回答。论文将模型角色划分为两类，这也正是Hermes当前采用的参考模型（Reference Models）与聚合模型（Aggregator Model）分工的基础。

工作流程如下：
1. 参考模型：对用户问题进行初步分析与判断，生成参考意见。它们仅生成文本建议，不调用工具，不执行命令。
2. 聚合模型：综合所有参考模型的意见，进行最终决策，并调用工具执行具体任务。

这种分工充分发挥了不同模型的优势：擅长规划的模型负责“思考”，擅长执行的模型负责“落地”。

使用指南：
在Hermes桌面版中，用户只需进入设置 > 模型选项，向下滚动即可找到Mixture of Agents入口。默认配置为“2个参考模型 + 1个聚合模型”，用户也可手动添加更多参考模型以增强推理深度。

二、 实测：游戏开发更丝滑，Token消耗可控

海外博主针对MoA模式进行了深度实测，对比了单一模型与MoA在生成游戏和交互页面时的表现。结果显示，MoA并未显著增加耗时，且Token消耗在合理范围内，但生成质量显著提升。

测试案例1：Three.js游戏开发

博主尝试使用Three.js开发一款“原力海盗训练竞技场”小游戏。

• 单一模型测试（glm-5.2）：
• 成本：$0.38
• 耗时：13分钟
• 效果：整体可用，但飞船移动速度和流畅度存在瑕疵，躲避敌人攻击体验较差，可玩性一般。

• MoA模式测试：
• 配置：参考模型（kimi-k2.6 + minimax-m3）+ 聚合模型（glm-5.2）
• 成本：$0.47
• 耗时：35分钟
• 效果：虽然成本略高、耗时增加，但移动速度、流畅度及关卡合理性大幅优化，游戏可玩性显著提升。

测试案例2：动漫多元宇宙仪表盘

博主进一步测试生成一个包含《火影忍者》、《海贼王》、《龙珠》等IP的交互式仪表盘。

• 单一模型测试（GPT-5.5）：
• 耗时：约7分钟
• 效果：交互流畅，但中心光球设计较为简单，缺乏质感。

• MoA模式测试：
• 配置：3个Grok模型作为参考 + GPT-5.5作为聚合模型
• 效果：生成速度反而更快（推测得益于Grok快速模型的辅助）。设计质感明显提升，光球设计极具创意，且支持点击星球进行远近景切换，交互体验极为丝滑。

结语：从“单兵作战”到“团队编排”

过去，大模型竞争的核心在于“谁的单体模型更强”，用户被迫在不同模型间切换以适配编程、写作或推理场景。

然而，MoA与Sakana Fugu等技术的兴起标志着范式的转变：与其等待一个完美的“万能模型”，不如让多个专精模型协同工作。

这种“编排（Orchestration）”趋势完美契合Agent的发展需求：
* 模型提供底层能力；
* Agent负责调度与协作；
* 规划型模型负责思考，执行型模型负责落地。

尽管目前MoA面临推理成本略高、部分任务耗时增加的挑战，并非所有场景都适用，但随着推理成本下降及开源模型能力的迭代，多模型协作极有可能成为未来Agent的标准工作模式。

相关文章