Memdoor team-solve：五个 27B 小模型，8 个 YAML，一道难题 3 毛 9 美元
一队开源小模型，在高难度算法题上追平了前沿大模型一次调用的成绩，而且这份报告比大多数论文都老实。Memdoor 的 team-solve 示例周末在 Hacker News 上拿了 410 分。
配置是五个 Qwen3.8-27B agent，分工固定：一个规划、两个出主意、一个解题、一个经理，外加一个修复工。每个都从全新上下文开始，彼此之间只通过磁盘上的文件交流。整个工作流就是 8 个 YAML 文件，一行代码没有，复刻的是今年早些时候发表的 GVS5H 方法。在 LiveCodeBench Hard 的前 10 道题上，每题跑 5 遍，这支队平均 9.8 分（满分 10）。GVS5H 原版 harness 9.6，Fable 5 单次调用 8.0。每次运行中位数 40 分钟、0.39 美元，50 次全跑完一共 35.79 美元。
再说限制，这些都是 README 自己写的。10 道题样本太小，9.8 对 9.6 在误差范围内，所以真正的结论是追平原版 harness。题目来自 2025 年春天的比赛，不能排除训练数据污染。Fable 那一栏数据取自 GVS5H 作者的文件，没有重跑。在作者完整的 100 道题上，harness 对 Fable 是 92.4 比 90.4。
最好玩的细节是丢掉的那一道。经理 agent 编了一个错误的反例，整个团队为了满足它，把一份本来正确的程序改坏了。坏经理拖垮团队这件事，agent 和人类一个样。
结论和最近反复看到的规律一致：harness 对分数的影响不比模型小。一个 27B 模型，放进设计得当、只靠文件沟通的团队里，花不到 4 毛美元，就能拿到前沿模型一次调用的水平。
仓库：https://github.com/guregodevo/memdoor/tree/main/examples/workflows/team-solve
← 返回所有文章
配置是五个 Qwen3.8-27B agent，分工固定：一个规划、两个出主意、一个解题、一个经理，外加一个修复工。每个都从全新上下文开始，彼此之间只通过磁盘上的文件交流。整个工作流就是 8 个 YAML 文件，一行代码没有，复刻的是今年早些时候发表的 GVS5H 方法。在 LiveCodeBench Hard 的前 10 道题上，每题跑 5 遍，这支队平均 9.8 分（满分 10）。GVS5H 原版 harness 9.6，Fable 5 单次调用 8.0。每次运行中位数 40 分钟、0.39 美元，50 次全跑完一共 35.79 美元。
再说限制，这些都是 README 自己写的。10 道题样本太小，9.8 对 9.6 在误差范围内，所以真正的结论是追平原版 harness。题目来自 2025 年春天的比赛，不能排除训练数据污染。Fable 那一栏数据取自 GVS5H 作者的文件，没有重跑。在作者完整的 100 道题上，harness 对 Fable 是 92.4 比 90.4。
最好玩的细节是丢掉的那一道。经理 agent 编了一个错误的反例，整个团队为了满足它，把一份本来正确的程序改坏了。坏经理拖垮团队这件事，agent 和人类一个样。
结论和最近反复看到的规律一致：harness 对分数的影响不比模型小。一个 27B 模型，放进设计得当、只靠文件沟通的团队里，花不到 4 毛美元，就能拿到前沿模型一次调用的水平。
仓库：https://github.com/guregodevo/memdoor/tree/main/examples/workflows/team-solve
评论