随着顶尖闭源模型Fable 5和Mythos 5的访问受限，AI应用领域正面临新的挑战。单一模型难以满足复杂任务需求，促使开发者探索多模型协作的新路径。近日，Hermes Agent推出的MoA（Mixture of Agents）功能引发关注，该功能允许用户自由组合多种开源模型，形成虚拟混合模型，在基准测试中超越了Opus 4.8和GPT-5.5等闭源模型的表现。
这一技术突破并非孤立事件。日本AI企业Sakana AI此前发布的Sakana Fugu系列编排器模型，已通过动态选择最优模型处理任务的方式，验证了多模型协作的可行性。Hermes Agent的MoA模式进一步深化了这一思路，其核心在于将模型分为参考模型和聚合模型两类：参考模型负责分析问题并生成建议，聚合模型则综合判断并执行具体操作。这种分工机制确保了不同模型的特长得以充分发挥，例如擅长规划的模型提供策略，执行能力强的模型完成落地。
技术层面，MoA的实现早有理论支撑。2024年6月，Together AI发表的论文《Mixture-of-Agents Enhances Large Language Model Capabilities》详细阐述了多模型协作的架构：每一层模型参考前一层输出生成回答，形成链式推理。Hermes Agent的实践将这一理论转化为可操作工具，用户通过简单设置即可组合不同模型，默认配置为两个参考模型加一个聚合模型，并支持手动扩展参考模型数量。
实际测试中，MoA模式展现了显著优势。某海外博主以游戏开发为例，对比单一模型与混合模型的表现：使用glm-5.2单一模型开发原力海盗训练竞技场游戏时，耗时13分钟、成本0.38美元，但存在飞船移动卡顿、关卡设计不合理等问题；改用kimi-k2.6和minimax-m3作为参考模型、glm-5.2作为聚合模型后，耗时增至35分钟、成本0.47美元，但游戏流畅度、关卡逻辑性和可玩性均大幅提升。在交互界面开发测试中，MoA模式同样表现突出：以三个grok模型为参考、GPT-5.5为聚合模型生成的动漫多元宇宙仪表盘，不仅设计质感更强，还实现了远近景切换等动态效果，而单一GPT-5.5模型生成的结果则显得简陋。
尽管MoA模式在部分任务中增加了推理时间和成本，但其通过模型协作提升输出质量的思路，正契合AI应用从“单一强模型”向“多模型编排”转型的趋势。这种转变意味着，未来AI系统的竞争力将不仅取决于底层模型性能，更依赖于如何高效组织不同模型完成复杂任务。随着开源模型能力提升和推理成本下降，多模型协作或将成为AI应用的默认工作方式。
