Mixture of Agents в Hermes Agent: как объединение ИИ‑моделей повышает эффективность

Nous Research представила в своем open‑source агенте Hermes Agent новую функцию — пресеты Mixture of Agents (MoA). Этот режим объединяет несколько ИИ‑моделей в один «виртуальный» агент, позволяя им совместно решать задачу. По словам разработчиков, такая комбинация обходит отдельные модели Claude Opus 4.8 и GPT‑5.5 в их собственных тестах.

Идея MoA проста: вместо одной модели несколько «референсных» моделей генерируют варианты ответа, а модель‑агрегатор собирает их в окончательный результат. После этого агент продолжает работу как обычно — вызывает инструменты, делает итерации и поддерживает контекст сессии.

В Hermes Agent каждый пресет MoA выглядит как обычная модель и выбирается через меню провайдера moa или командой /​moa. Пресеты настраиваются вручную, поэтому можно комбинировать модели разных провайдеров. В базовом наборе агрегатором выступает Claude Opus 4.8, а референсами — GPT‑5.5 и DeepSeek‑V4‑Pro. Сам сооснователь Nous, Teknium, назвал релиз «Mixture of Agents 2.0».

Результаты тестирования

Прирост производительности измерён на внутреннем тесте HermesBench. По данным документации, комбинация двух моделей превзошла каждую по отдельности:

Связка опережает свой сильнейший компонент Opus примерно на 6 пунктов; заявленные «8 % и 11 %» – это относительный прирост по сравнению с Opus и GPT‑5.5 соответственно.

Важно отметить, что HermesBench пока не опубликован полностью, поэтому независимая проверка невозможна. На публичном SWE‑bench Pro Opus 4.8 набирает 69,2 %, а GPT‑5.5 — 58,6 %. Остаётся вопрос, сохранится ли преимущество MoA на сторонних наборах.

Плюсы и ограничения подхода

Главное преимущество MoA — ансамблевый эффект: объединяя несколько точек зрения, система получает более надёжный ответ, особенно в сложных агентных задачах, где одна модель может «застрять». Однако цена такого подхода выше: каждый запрос требует одновременного запуска нескольких моделей, что увеличивает вычислительные затраты.

Команда Nous смягчает расход, кэшируя запросы и повторно используя контекст диалога. Тем не менее дополнительное «мнение» всё равно стоит дороже, чем один запуск модели. Поэтому MoA целесообразен для узкоспециализированных задач, где важна точность, а не универсальность.

Контекст рынка и открытость проекта

В то время как OpenAI недавно анонсировала ограниченный доступ к GPT‑5.6, Nous предлагает открытый инструмент. Hermes Agent (запущен в феврале 2026 года) имеет постоянную память между сессиями и встроенный цикл обучения, а MoA позиционируется как способ получить «возможности выше доступной границы» без ожидания приглашения в закрытые лаборатории.

С одной стороны, без доступа к проприетарным моделям (Opus 4.8, GPT‑5.5) собрать полностью рабочий пресет нельзя, но эта «маркетинговая» стратегия подчёркивает открытость и независимость проекта.

Что будет дальше?

Ключевыми критериями успеха MoA станут:

• публичный лидерборд HermesBench с прозрачной методикой;
• подтверждение прироста на независимых тестах;
• соотношение улучшения качества и дополнительных затрат.

Если эти условия будут выполнены, MoA может стать популярным решением для компаний, которым нужны высокоточные агентные системы без необходимости разрабатывать собственные модели.

Вопрос остаётся открытым: готовы ли пользователи платить за каждое дополнительное «мнение» в пользу более надёжных результатов?