英伟达端着一个8B小模型对GPT-5说：

不好意思，你还得练（bushi）。

何出此言？——英伟达携手香港大学开源的Orchestrator-8B，人类终极考试HLE分数更高、花钱更少、跑起来速度还更快。

哦对了，还在HuggingFace被狂赞，冲到了热门模型前五。

而它超越GPT-5的打法是不当推理者，而是“工具主理人”，协调使用各路工具。

如何吊打GPT-5？

人在解决问题时会找各种帮手，比如搜索引擎、计算器 ，那这个工作能不能由模型代劳？

Orchestrator干的就是这事儿。

虽然自己只有8B参数，但手下管着一整个工具团队。

既有GPT-5、Claude Opus 4.1这样的顶级大模型，也有Qwen2.5-Math这样的专业数学工具，还有网页搜索、本地检索、代码解释器这些实用小帮手。

它并不是自己解题，而是判断现在该用哪个工具、控制工具的顺序和使用次数、还能兼顾效果、成本、用户偏好，工作日常如下：

拿到难题先分析：这题需要算数学？那就调用Qwen2.5-Math；过程中动态调整：搜完资料发现需要验证？那就先用代码解释器跑一遍；全程把控用户偏好：用户说要省钱，那GPT-5能不用就不用，优先用本地工具。

简单说，大模型是一个人干所有活，而Orchestrator-8B是带着团队干专业活。

能让小模型精准协调这么多工具，全靠英伟达的ToolOrchestra训练大法。

核心有两个，一个是有奖有罚的强化学习，一个是量身定制的ToolScale数据集。

训练时给Orchestrator立了三条奖惩规则：

效果奖：让GPT-5判对错，解题对了加分，错了扣分；效率奖：用的钱少、耗时短加分，反之扣分；偏好奖：听用户的话加分，比如用户要隐私保护，多用本地搜索就加分。

研究者建了个包含金融、医疗、电商、旅游等10个领域的训练素材库，里面全是“怎么用工具解题”的案例，让模型充分接触各类场景。

Orchestrator-8B也在权威测试中交出了令人满意的答卷。

HLE测试里它拿下37.1%的得分，超过GPT-5的35.1%，成本却仅为后者的1/2.5；

FRAMES、τ?-Bench测试中也拿下SOTA成绩，降低了开支，运行速度更是快了一倍多。

小模型的逆袭

实际上，在AI领域工具编排和小模型驱动复合系统的赛道上，英伟达ToolOrchestra训练的Orchestrator-8B并非孤例。

最早探索让小模型学会调用工具的代表性研究，是谷歌DeepMind在2023年提出的Toolformer，通过监督学习+自生成数据，让12B参数的模型学会调用计算器、翻译API、搜索引擎等基础工具；

但当时，Toolformer仅聚焦基础工具，并没有把大模型纳入工具库。

MIT和CMU联合团队的ToolRL，提出以奖励为核心的工具学习框架，训练小模型通过强化学习动态选择工具，主要是解决“传统工具学习过度依赖人工标注数据” 的问题，通过自动生成工具交互轨迹训练模型。

虽然也是奖励机制，但ToolRL的奖励函数更侧重于任务的正确性和工具调用效率，并没有明确纳入用户偏好，且工具库以基础工具和专业API为主。

今年，香港大学和微软提出的Optimal Tool Calls（OCT），也是专门针对“工具调用成本优化”的小模型训练方法。

越来越多的团队在做相关研究，也有越来越多的人关注该领域的进展。

就拿Orchestrator-8B来说，为什么它能获得HuggingFace高赞？

最明显的原因就是实用。大模型虽强，但太贵、太慢，而Orchestrator-8B参数量小，还能实现「强+省钱」，直接解决了落地时的成本难题。

用低成本实现高智能，这么一看，AI的未来还真不一定是超级大模型单打独斗了。

作者简介

Orchestrator-8B这篇论文的一作是香港大学博士苏弘锦，主要研究方向是数据科学和自然语言处理，现在英伟达实习。

共一是英伟达研究院的研究科学家Shizhe Diao，主要进行大型基础模型的预训练、高效调优和对齐方面的研究，曾与字节跳动人工智能实验室的李航博士合作。

论文地址：https://arxiv.org/abs/2511.21689项目主页：https://research.nvidia.com/labs/lpr/ToolOrchestra/数据集：https://huggingface.co/datasets/nvidia/ToolScaleHuggingFace地址：https://huggingface.co/nvidia/Nemotron-Orchestrator-8B