Hermes MoA实测：三个弱模型组团，能打赢一个强模型吗？

三个臭皮匠，能顶个诸葛亮吗？

最近 Hermes Agent 更新了一个新功能——Mixture of Agents（MoA，混合智能体）。

简单说就是：让多个 AI 模型先各自独立思考，再由一个"汇总模型"把它们的回答综合成最终答案。

我一听介绍，这个好啊，思路直觉上很合理——多几个脑袋总比一个强。但实际效果到底怎么样？我用自己的 Hermes Agent 环境做了三轮实验，用了三种测试题、多组模型组合，直接对比 MoA 和单模型的真实差距。

结论先说：有些场景确实有提升，但坑也不少。

下面从"好在哪、坑在哪、适用边界"三个角度拆解。

先说实验怎么做的

MoA 的机制很简单：你问一个问题，Hermes 先把问题同时发给 N 个"参考模型"（reference models），它们各自独立思考、给出自己的分析和答案。然后一个"汇总模型"（aggregator）拿到所有参考回答，综合出最终结果。

为了全面测试 MoA 的能力边界，我设计了三道测试题，每道题考察不同维度：

推理陷阱题："房间100人，99%是男性，要让男性比例变成98%，需要多少人离开？"——正确答案是50，但直觉上会以为是1。考察纯逻辑推理和抗干扰能力。

算法编码题：用 Python 实现 LRU Cache，要求 get 和 put 操作都是 O(1) 时间复杂度。考察代码正确性、测试覆盖、复杂度分析。

行业分析题：分析2025年上半年中国AI大模型三大趋势，每个趋势给出标志性事件。考察知识储备和事实准确性——这道题是检验模型知识天花板的试金石。

然后做了三轮实验。

第一轮快速验证 MoA 功能是否正常，用一个简单乘法题跑通流程。

第二轮用纯弱模型组合（SenseNova 的 deepseek-v4-flash + Anges 的 agnes-2.0-flash），对照组是 GLM 5.2 和 MiniMax M3 单独运行。

第三轮加入 MiniMax 进参考池，aggregator 换成 GLM 5.2，看看"加了强模型进参考池"和"强模型单独跑"到底差多少。

好在哪：过滤错误 + 视角多元

第一个好处是自动过滤错误答案。

第二轮推理陷阱题里，Anges 模型答错了——它说"不需要任何人离开房间"。但 aggregator 成功识别并丢弃了这个错误参考，最终给出了正确答案 50。这说明 MoA 的汇总模型确实有"纠错"能力，不是简单地把所有参考答案拼在一起。

第二个好处是视角多元。编码题里，deepseek-v4-flash 偏好手写双向链表，agnes 给了带哑节点的方案，MiniMax 则推荐了 OrderedDict 简洁写法。aggregator 把三种思路综合后，O(1) 复杂度的解释比任何单个模型都全面——它从"为什么不用单向链表"到"为什么需要哨兵节点"都覆盖了。

第三个发现更有意思：在第三轮实验中，加入 MiniMax 进参考池后，弱模型的知识盲区被修复了。第二轮纯弱模型组合时，行业分析题的标志性事件全部是编造的——两个弱模型都不知道 2025 年 1 月 DeepSeek R1 的发布。加入 MiniMax 后，这个关键事件被准确捕获，而弱模型编造的那些假事件（"百度 VidGen""手机内置千亿参数模型"）被 aggregator 全部过滤掉了。

这就是 MoA 最有价值的时刻：多个模型交叉验证，正确的信息被保留，错误的被淘汰。

坑在哪：三个硬伤

第一个坑：知识天花板锁死。

MoA 的知识上限等于参考池里最强模型的知识上限。第二轮纯弱模型组合中，两个弱模型都不知道 DeepSeek R1，aggregator 也变不出来——你不能指望三个不知道答案的人讨论出一个正确答案。加入 MiniMax 后问题才解决，但这时候你已经在用强模型了，MoA 的意义就打折扣了。

第二个坑：延迟爆炸。

每个问题要等 N 个参考模型全部跑完，aggregator 才能开始工作。3 个 reference 的 MoA 延迟大约是单模型的 3-4 倍。在 Agent 框架里更严重——如果任务需要多轮对话迭代，每轮都要跑一遍 reference，延迟成倍放大。第二轮的编码题甚至因为反复调用参考模型而直接卡死超时。

第三个坑：成本和收益不对等。

第三轮实验中，MoA（reference 含 MiniMax M3，aggregator 用 GLM 5.2）对比 GLM 5.2 单独运行：推理题和编码题质量持平，分析题 GLM 5.2 单独的数据反而更精确（日期到天、金额到万）。但 MoA 的 token 消耗是单模型的 4-5 倍。花 5 倍的钱，买不到明显更好的结果。

适用边界：什么时候值得用

基于这三轮实验，MoA 真正有价值的场景很窄：

值得用的场景：纯推理和逻辑题（不依赖知识储备），用多个不同厂商的强模型互为参考，捕获各自盲区。比如 GLM 擅长中文、DeepSeek 擅长代码，组合后可能覆盖更多角度。但前提是参考池里要有强模型——纯弱模型组合意义不大。

不值得用的场景：需要事实性知识的任务（行业分析、新闻解读），因为知识天花板锁死；需要多轮迭代的 Agent 任务，因为延迟会成倍放大；日常简单问答，因为成本完全不值。

一句话总结：MoA 不是"三个臭皮匠顶个诸葛亮"，更像是"诸葛亮带上几个参谋"——参谋得够强才行，而且诸葛亮一个人也够用了。如果你手里已经有了 GLM 5.2 或 MiniMax M3 这个级别的模型，直接用就好，MoA 的增量价值目前不值得 5 倍的成本。

写在最后

MoA 是一个设计思路很好的功能——多模型协作、交叉验证、视角整合，这些方向都没错。但在当前模型能力分布下，它的价值窗口很窄。

如果你手头只有弱模型，MoA 能帮你在纯推理题上提升一点鲁棒性，但解决不了知识盲区。如果你手头有强模型，直接用就好。

真正值得期待的是未来：当不同厂商的强模型各有所长（比如 GLM 的中文理解、DeepSeek 的代码能力、MiniMax 的多模态），MoA 可能成为"取各家之长"的有效手段。但那需要参考池里每个模型都足够强，而不是用弱模型凑数。