2026年6月29日，一组便宜的小模型在人类最难的AI测试中集体超过了GPT-5.5。
不是靠烧钱堆参数。是靠互相检查答案、辩论分歧，最后交出一份集体答卷。
这件事在Hacker News上炸开了锅。而它的”始作俑者”，是一个叫vLLM的开源推理引擎团队。
与其花大价钱买一个”最强模型”，不如让一群便宜的小模型互相配合，效果反而更好。
具体好到什么程度？笔者直接给你看一张成绩单：
图：vLLM Micro-Agent（VSR Closed）与 GPT-5.5、Fugu Ultra、Gemini 3.1 Pro 等前沿模型在 LiveCodeBench、GPQA-Diamond、Humanity’s Last Exam 三项测试中的分数对比。来源：vllm.ai
这张表怎么看？每一行是一道”考题”——是目前全球公认最难的 AI 测试。比如 GPQA-Diamond，考的是研究生级别的物理化学生物题；Humanity’s Last Exam，光看名字就知道是人类给 AI 出的”终极考卷”。
结果呢？Micro-Agent 在三项测试中的最高分分别是 92.6、96.0 和 50.0。与此同时，全世界目前公认最强的几个单打独斗的模型——GPT-5.5、Gemini 3.1 Pro——分别拿到了 90.7、93.6 和 45.0。
换句话说，这群”小 AI”合伙答卷，把单打独斗的”大学霸”超了。
为什么这件事值得认真聊？它动摇了 AI 行业一个根深蒂固的信仰。
“更大的模型”不再是唯一答案
过去五年，AI 行业有一条铁律：模型越大越聪明。从 GPT-3 到 GPT-4 到 GPT-5，每一次升级的核心手段都是”堆更多数据、烧更多算力”。这条路的代价也越来越高——训练一次顶级模型的花费，据说已经到了”数亿美元”的量级，只有最有钱的几家巨头玩得起。
这条路的终点，似乎只能是”赢家通吃”——谁的模型最大，谁就统治市场。
但 vLLM 团队用 Micro-Agent 给了一个不同的回答：不一定要造一个更大的模型，也可以造一个更聪明的协调员。
图：vLLM 的核心理念——路由器不再只是”选模型”，而是成为”构造能力”的层。来源：vllm.ai
笔者试着用大白话解释这个思路。
关键在”谁来当裁判”
如果你用过 ChatGPT 或类似的 AI 工具，你经历的流程大概是这样的：你提一个问题，系统把它发给一个 AI 模型，模型算出一个答案，然后显示给你。从头到尾只有一个”大脑”在工作。
vLLM 的做法完全不同。它在用户和模型之间加了一层”路由器”（他们叫 Semantic Router），这个路由器做的事情说起来也简单——它不直接把你的问题扔给一个模型，而是先判断：这个问题难不难？需要哪种”解题思路”？然后决定派什么样的”模型小分队”来处理。
比如你问了一道很难的物理题。路由器可能会这样做：
- 先把题目同时发给三个不同的模型，让它们各自作答
- 把三份答案交给第四个模型当”评委”，找出其中的一致点和分歧点
- 最后由”评委”综合所有证据，给出一份最终答案
整个过程在你看来，跟使用普通 AI 完全一样——你只看到一个输入框和一个回答。但在这背后，上演的是一场小规模的”团队协作”。
图：五种 Looper 协作模式（Confidence、Ratings、ReMoM、Fusion、Workflows）在路由器内部运行。来源：vllm.ai
这种模式被他们称为”Looper”——可以理解为一个”协作循环”。目前一共有五种循环模式，各有各的适用场景：
- 信心模式：先用一个便宜的小模型回答，如果答案够自信就直接交差，不够自信再”升级”叫更强的模型出手。说白了，就是”小事不劳大师傅”。
- 评分模式：同时叫多个模型答题，按各自的”历史表现评分”加权汇总。类似评委打分去掉最高最低。
- 多轮推理模式：让多个模型各自推理好几轮，等凑够了足够多的有效答案，再让一个”综合模型”把证据串起来。适合那些连最聪明模型都容易翻车的”硬骨头”问题。
- 辩论模式：几个模型各自独立作答，不求和气，反而刻意关注”大家意见不一致的地方”。然后让一个裁判模型分析分歧、给出定论。分歧不是 bug，是信号。
- 工作流模式：最像”微型团队”的模式。有规划员、执行员、检查员、终审员，各自扮演不同角色，像流水线一样协作。
这些模式听起来花哨，但核心逻辑一句话就能说清楚：与其把全部希望压在一个模型身上，不如让多个模型互相纠错、互相补充。 就像你考试时，如果让三个同学各做一遍、再一起对答案，最后交上去的正确率大概率比一个人闷头做要高。
“反派”是谁？不是某个公司，是一种信仰
读到这里，你可能觉得这不过是另一个”AI 协作”的方案。确实，把多个模型凑在一起干活不是新 idea。去年日本的 Sakana AI 公司就推出了一个叫 Fugu 的商业产品，做的也是类似的事——表面是一个模型，背后是一群模型。
那 Micro-Agent 有什么不同？
问题在于协作这件事，应该由谁来管？
Sakana Fugu 的做法是”商业黑箱”：你付费使用 Fugu 的接口，它背后怎么调度、选哪些模型、用什么策略，全是人家的商业机密，你看不到也改不了。
vLLM 的做法是”基建开放”：他们把整套协作机制做成了一个开源的工具，任何公司、任何开发者都可以拿去自己部署。你可以自己决定用哪几个模型、什么情况下用哪种协作模式、成本上限是多少、出错时怎么处理。
这里面的”反派”，是 AI 行业里一种根深蒂固的思维方式——认为进步的唯一方向是”造更大的模型”，而且这件事只能由少数巨头在封闭的花园里完成。
vLLM 的赌注是：下一波进步来自”更聪明的路由器”——一个知道什么时候省钱、什么时候加码、什么时候让多个模型一起上的”调度员”。而且这个调度员，应该开源、可编程、可观测。
HN 上的质疑：这到底算不算”模型更强”？
这篇文章发到 Hacker News（硅谷技术圈最有影响力的论坛）后，讨论相当热烈。赞成的不少，质疑的也很有道理。
最核心的质疑来自一位叫 kristjansson 的用户，他说了这样一段话（笔者翻译）：
所谓”最强模型”这个词，正在变成两个不同的意思。一个意思是真的训练出了一个更好的模型。另一个意思是在模型外面包了一层系统。我觉得我们不希望看到这种混淆——一个语言模型和一个”多个语言模型组成的系统”，根本是两回事。
这个质疑切中了要害。vLLM Micro-Agent 确实没有”训练”出更好的模型，它只是让现有模型配合得更好。那这算不算”模型更强了”？
从用户角度看，算。你打开 ChatGPT，输入一个问题，得到一个更好的答案——你会在乎它是单个模型算出来的还是三个模型讨论出来的吗？大概率不会。
但从行业角度看，这里有一个值得警惕的风险：如果越来越多的”模型能力提升”实际上是靠背后的工程技巧实现的，那我们评估和比较模型的标尺就失效了。你说”我的模型最强”，但说不清楚是因为模型本身聪明，还是因为给它配了一支啦啦队。
另一位叫 plaguuuuuu 的用户更直接：“他们想把协作做成一个黑箱，不让我看到内部是怎么讨论的。这对我来说就是死穴。我需要完完整整地看到每一步。透明度，是我自己的竞争力。”
这个观点代表了相当一部分开发者的立场——他们宁可自己搭建协作系统，也不愿意把控制权交给一个看不见内部运作的”智能路由器”。
数据很漂亮，但别急着下结论
vLLM 团队自己在文章里也说得很克制：“成绩单是一个证明，但不是故事的全部。”
笔者特别欣赏这种态度。三个测试的分数确实亮眼，但需要注意几点：
第一，这些测试都是”闭卷考试”——题目是固定的，有明确的标准答案。对于这类任务，多模型协作天然有优势（多份答案互相纠错）。如果是开放式的创意写作、需要灵光一现的设计，协作能不能带来同样的提升？目前还不知道。
第二，成本账需要更仔细地算。虽然小模型单次调用更便宜，但”叫三个模型各算一遍再让第四个当裁判”意味着总调用次数翻了好几倍。vLLM 的回应是：正因为成本敏感，所以才设计了”信心模式”——简单问题根本不会触发协作，只有一个模型跑一下就完事了，只有难题才会启动”团队作战”。
第三，也是最关键的：“一群小 AI 组队超过一个大 AI”这件事，能持续多久？如果下一个版本的 GPT 或 Gemini 在模型层面又有质的飞跃，靠协作拉开的这点差距可能会瞬间被抹平。
这件事为什么值得普通人关注？
你可能会想：我一个不写代码的人，这跟我有什么关系？
关系在于，AI 使用成本的降低速度，直接决定了你手机上那些 AI 功能什么时候能从”偶尔用一下”变成”像水和电一样随时用”。靠”造更大的模型”这条路，成本降不下来——甚至可能越来越贵。靠”让几个便宜的小模型组队干活”这条路，成本可以大幅下降。
举一个具体的例子：你今天用 ChatGPT 的高级功能，背后可能是一个每小时烧几百美元的计算集群在运转。但如果能用几个开源的、小得多的模型配合完成同样质量的工作，成本可能是原来的十分之一甚至更低。
这些成本降下来，最终会体现在你每个月付的订阅费上，甚至体现在那些”免费但好用”的 AI 功能里。
vLLM 把 Micro-Agent 开源，等于给了全世界一个选项：不一定要买最贵的模型，也可以获得最好的效果。这是一条”让更多人用得起好 AI”的路。