5 个 27B 小模型组队，硬编码题打平旗舰：赢的不是模型，是编排

今天 Hacker News 首页的一个开源项目，把“大模型越大越强”这个直觉又撬动了一下。项目叫 GVS5H，做法出奇地朴素：不训练新模型，而是让 5 个 Qwen3.8-27B 的全新实例分工协作——一个拆题、一个写测试、一个写代码、一个挑刺，中间只靠共享文件夹里的 plan、笔记和当前解法来同步，也就是所谓的“账本式编排”。

结果是：在 LiveCodeBench 最难的 100 道题上，这支 27B 小队拿到 92.4% 的一次通过率，对照的 Claude Fable 5 是 90.4%。更值得看的是起点：单个 Qwen3.8-27B 原来只有 66.8% 到 69.2% 左右，编排把它抬了 23 个百分点以上。同一方法下，Qwen3.8 Flash Next 据称以 9% 的成本拿到 93.0%。

但先别急着下结论，有三处要打折。第一，对照并不完全公平：旗舰模型是单次通过，而小队是多智能体循环加验证，等于多跑了好几轮；第二，作者自己也承认收益不是普适的，有些模型编排后没变甚至变差；第三，100 道题的样本不算大，换一套题、换一个领域，数字很可能缩水。

所以这篇真正值得带走的不是“27B 打败旗舰”这个标题，而是编排方法本身：给每个子 agent 一个干净的上下文、让它们通过文件而不是长对话同步、写测试先行、最后用可验证的测试结果而不是模型自夸来收尾。这套打法不需要换模型、不需要等新权重，今天就能套在你自己的 coding agent 工作流里试：先把一个复杂任务拆成“计划—测试—实现—复核”四步，每步用全新上下文跑，中间只传文件。成本上它确实更贵在轮数上，但比起直接上旗舰模型，本地可托管的小模型组合对小团队更友好——前提是你先在自己的任务上实测，别只信基准分。

可信度：论文摘要口径 + Hacker News 讨论交叉；基准对照不公平、样本小的提醒已写进正文。