ToolOrchestra: маленькая модель-дирижер управляет большими моделями

Парадокс делегирования: GPT-5 в 73% случаев перекидывает задачи на GPT-5-mini — даже сложные. Qwen3-8B наоборот — в 66% случаев вызывает GPT-5, даже для простых задач. Обе стратегии провальные. Метод ToolOrchestra позволяет обучить маленькую модель (8B параметров) быть дирижером для больших моделей и инструментов — она решает какую модель вызвать для каждой подзадачи, минимизируя стоимость при сохранении качества. Маленькую модель обучают через reinforcement learning с наградами за правильность ответа, низкую стоимость и соблюдение предпочтений. Модель учится разбивать задачи и делегировать: простое — дешевым моделям, сложное — дорогим, специализированное — экспертным. Результат: превзошла GPT-5 (37.1% vs 35.1%) при стоимости в 2.5 раза ниже.