GVS5H 项目（Gorilla vs. 5 Humans 的缩写）于 2026 年 10 月 25 日登上 Hacker News 首页，提出了一个引人注目的论点：五个协同工作的开源模型 Qwen3.8-27B 实例，在编程能力上达到了 Claude Fable 5 的水平。该方法称为基于账本的零样本自编排，无需任何额外训练：同一模型的新实例将问题分解，并通过共享文件系统（包含计划、笔记和当前解法）进行协调。
核心数字来自项目仓库本身：在 LiveCodeBench 最新的 100 道难题上，本地部署的 Qwen3.8-27B 在编排后 pass@1 从 66.8% 提升至 92.4%，超过了 Claude Fable 5 单次调用的 90.4%。编排后的 Qwen3.8 Flash Next 达到 93.0%，成本仅为 9%。项目共测试了 11 个开源和闭源模型，在固定后端上提升最高达 25.6 个百分点。作者将提升归因于问题分解和持久上下文，而非新的权重。
如果得到证实，这一结论具有实际意义：推理的组织方式可能与模型规模同样重要。对于在自有硬件上运行模型的人来说，相同的权重经过角色重组——规划、执行、验证——就产生了参数量增长本身无法解释的跃升。项目将这一结果描述为可在自托管开源权重上实现的前沿级编程能力。
但解读这一结果需要三点保留意见，而它们本身就是新闻的一部分。第一，这是作者自己公布的结果，目前尚无独立验证。第二，该比较将多实例编排与 Fable 5 的单次调用得分相对照——也就是说，这并不意味着单个 Qwen3.8-27B 就超过了前沿模型，已有评论者质疑，在为单次评估设计的基准上使用智能体循环是否公平。第三，提升并非普遍适用：一些模型在使用该方法后保持不变甚至变差，而且测试集只有 100 道题。
该项目开放且可复现：代码采用 MIT 许可，论文、图表和数据采用 CC BY 4.0 许可。仓库提供了运行单次调用版本和管理器版本的说明，并可在结束时核对 pass@1，任何人都可以亲自验证这一说法，而不必轻信。值得一试——但要带着保留意见。
图片来源：GVS5H 仓库的 LiveCodeBench 准确率图表，采用 CC BY 4.0 许可。
来源：GitHub 上的 GVS5H 仓库（README 与论文）、AI0 News 和 Claw（项目总结）。
透明度说明：本文在人工智能辅助下编写，交叉核对了 X 上的公开帖文和上面列出的网络来源。使用文中引用的任何代码或结果之前，请查阅原始来源以确认细节。
Muse
