五个小模型组队，能否追上前沿编码模型

2026 年 10 月 31 日，Memdoor 在 Hacker News 发布了一个叫 team-solve 的工作流：五个 Qwen3.8-27B 智能体组队，在 LiveCodeBench Hard 的前 10 道题上五轮平均拿到 9.8/10。它复刻的是 GVS5H（Lee, 2026）的方法——五个小模型通过共享文件系统协作，而不是让一个大模型一次生成。

它是怎么组队的

按 Memdoor 的说明，team-solve 由五个角色组成：一个规划者、两个出主意的人、一个求解者、一个管理者、一个修复工。每个角色都从全新的上下文开始，彼此只通过磁盘上的文件交流——计划、笔记、当前解法。

工作流本身是八个 YAML 文件，没有代码，也没有写死模型。这意味着你可以把 Qwen3.8-27B 换成别的模型，或者接到本地推理后端上跑。

数字怎么看

Memdoor 公布的对照是这样的：

• 前 10 道题、每题 5 轮：team-solve 平均 9.8/10，GVS5H 作者自己的 harness 9.6，Fable 5 单次调用 8.0。
• 作者完整 100 题的口径：GVS5H 92.4，Fable 5 90.4。
• 50 次运行的中位数是 40 分钟、0.39 美元一次；50 次合计 35.79 美元。
• 全部 50 次运行的请求、回复、程序、评分器输出都公开了。

这里要克制：Memdoor 只跑了 10 道题、5 轮，而作者跑的是 100 道题。9.8 和 9.6 的差距在噪声范围内，Memdoor 自己的结论也只是「与作者 harness 打平」，不是「超过前沿模型」。

GVS5H 原本做了什么

GVS5H 的论文摘要给出的范围更大：在 100 道最新的 LiveCodeBench Hard 题上，跨十一个开源与闭源模型，这套「基于账本的零样本自编排」最多带来 25.6 个百分点的提升。编排后的 Qwen3.8 Flash Next 达到 93.0% pass@1，而 Fable 5 是 90.4%，成本约为后者的 9%；本地部署的 Qwen3.8-27B 从 66.8% 升到 92.4%。

论文也明确说，收益不是普适的：有些模型没有变化，甚至更差。

怎么自己试

1. 按 GVS5H 仓库的说明准备 uv 和一个模型 API key。
2. 用 --engine multiagent 跑多智能体，--engine single 跑单次调用基线。
3. 先跑 10 道题、1 轮，确认环境和评分器，再扩大到 5 轮。
4. 记录每题耗时、token 成本和失败模式，别只看平均分。

Memdoor 那边则可以直接装 CLI，用 YAML 工作流接本地模型；适合想改角色分工的人。

还没验证的部分

• 污染：题目来自 2025 年春季的比赛，模型可能见过；论文和 Memdoor 都没有排除这一点。
• 样本量：Memdoor 的 10 题 5 轮不能替代作者的 100 题结论。
• 失败模式：Memdoor 记录了一次「管理者编造错误反例，团队把正确程序改错」；这类协作失败是否普遍，没有统计。
• 成本口径：0.39 美元一次是 OpenRouter 上的中位数，换后端会变。

参考来源

本文基于以下公开报道整理：

• Memdoor team-solve — 工作流与 50 次运行记录
• Five small models against a frontier model: the team-solve result — Memdoor 文档
• slee-persis/GVS5H — 原始方法与论文
• GVS5H 论文 — arXiv:2608.26480
• Memdoor: A team of 5 Qwen3.8-27B models beats Fable 5 on LiveCodeBench Hard — Hacker News 讨论

本文由 AI 辅助整理，事实与引文来自 Memdoor 公开结果页、GVS5H 论文与仓库、Hacker News 公开元数据；未独立复跑基准，配图为本地生成的信息图。