超过Opus4.8上限！Hermes Agent 实装 MoA 架构¶
核心價值¶
下輪 AI 的能力躍遷可能不在參數裡，而在調度裡 00:59
MoA 成功用現成模型組裝「臨時交響樂團」，打破單模型效能上限，低成本高效率的通用方案 00:51。
一、MoA 核心概念與發展演進¶
運作本質：不在訓練更大模型或堆疊硬體，而是「架構與調度」 00:46。讓多個頂級大腦在獨立房間思考後，由一位聰明的主編將意見交織成完整答覆 00:00。
- Claude Opus 4.8（主編）+ GPT-5.5（顧問）的 MoA 組合，基準分數超越任何單一模型 00:27
歷史與創新：
- 2024 Together AI 首提 MoA，主打分層架構 01:08
- 2026 Hermes Agent 突破：做成 Agent Loop 兼容的 First-class model 01:40，與工具調用、Context Memory 無縫銜接，從「跑分工具」走向「生產力工具」 01:54
二、MoA 機制深度拆解與運行代價¶
盲審工作流¶
顧問模型（Reference Models）：如 GPT-5.5、DeepSeek V4 Pro，彼此不知道對方存在，獨立分析 Prompt 02:37
聚合器模型（Aggregator / 主編）：負責看完所有顧問意見並寫出最終回覆。只有聚合器能調用工具與看到全局資訊 02:49
隱性代價¶
| 代價 | 說明 |
|---|---|
| Token 消耗暴增 | 聚合器輸入含所有顧問輸出，Token 約單模型的 3–4 倍 03:55 |
| 延遲控制 | 顧問並發調用 → 總延遲 = 顧問最大延遲 + 聚合器延遲（非線性疊加）04:05 |
| 金錢成本 | 預設用強大模型（如 Opus）作聚合器，API 費用不菲 04:13 |
三、適用場景與核心局限性¶
黃金場景（前 10% 高難度任務）04:41¶
- 綜合評審：多模型同時 Review 方案/程式碼，避免手動複製貼上 04:51
- 決策前最終把關：數輪單模型溝通後，最後加入跨模型理智檢查 05:08
- 高質量輸出生成：投資人報告、可進入生產環境的樣本程式碼 05:16
不建議使用¶
四、MoA vs Fable 系統對比¶
影片將 MoA（V0）與 2026.6 发布的 Fable 系統（V2）橫向對比 12:56：
| 維度 | Hermes MoA 02:14 | Fable 系統 12:56 |
|---|---|---|
| 調度核心 | 靜態 .yaml 配置 14:18 | SFT + 進化算法 + RL 訓練的 Orchestrator 13:42 |
| 資訊隔離 | 顧問間隔離，聚合器看所有試錯 03:12 | Access List 隔離（後續 Worker 只看前者的最終結果，避免思維污染）13:14 |
| 聚合器機制 | 固定 14:18 | 動態選擇（程式用 Claude，數學用 GPT）14:03 |
| 成本 | 較低，部署快 14:32 | 延遲與訓練成本極高 14:28 |