维度网讯，东京AI研发公司Sakana AI于2026年5月7日正式发布RL Conductor，一款仅7B参数的小型语言模型，通过强化学习训练自动编排多种大型语言模型协同完成复杂任务。该成果已被顶级机器学习会议ICLR 2026接收，并作为Sakana AI旗下多智能体编排服务平台Sakana Fugu的核心技术底座投入商用。

RL Conductor论文合著者Yujin Tang在接受VentureBeat采访时指出，在拥有大规模异质需求的生产环境中，人工硬编码的智能体流水线遭遇根本性瓶颈，而现实场景中没有任何单一模型在所有任务上均为最优，不同模型在科学推理、代码生成、数学逻辑或高层规划等维度各有专长。“Go beyond human-hardcoded designs”正是RL Conductor的设计出发点。传统的LangChain或Mixture-of-Agents等手动编排方案，在单一场景下或许可行，一旦面对大规模异质需求，僵化的规则便难以支撑。RL Conductor则通过强化学习端到端地自动发现最优智能体协同策略，以一组随机化worker模型池进行训练，使其可适配任意开源或闭源模型组合。

RL Conductor的工作机制核心在于：给定任务后，模型并不直接输出最终答案，而是生成一套自然语言形式的agentic workflow，包含子任务描述、分配的目标worker以及决定每步可见前置结果的access list，三者被解析为等长Python列表。训练采用GRPO算法，奖励规则极简——格式错误给0分、答案错误给0.5分、完全正确给1分，无任何中间奖励或拓扑先验。基础模型为Qwen2.5-7B，仅用960道题、200次迭代，在2张H100 GPU上完成训练。

经过强化学习训练，RL Conductor逐渐涌现出复杂的协同策略：在LiveCodeBench编程任务中，它会让Gemini和Claude先进行高层规划，再由GPT-5编写优化代码;面对MMLU知识类题目倾向于1至2步简洁流程，面对编程类题目则展开3至4步含verifier的递归验证流程。更关键的是，在recursive设置下它能在测试时观察worker实际行为，将任务从GPT-5重新分配给Claude和Gemini，实现动态纠错与任务再分配。这意味着RL Conductor并非简单地按预设规则路由请求，而是可实时监控worker输出质量并动态调整任务分配，形成自适应修正的闭环。

性能表现直接体现在量化成绩上。RL Conductor在GPQA Diamond取得87.5分，在LiveCodeBench取得83.93分，平均分77.27分，超越GPT-5的74.78分。在与单个前沿模型及昂贵人工设计多智能体方案的对比中，RL Conductor以更低的成本和更少的API调用次数达到state-of-the-art水平。模型还能够以自身作为worker进行递归拓扑扩展，通过在线迭代自适应实现动态test-time scaling，进一步将推理计算转化为更高的准确率。

RL Conductor直接构成了Sakana AI旗下商业化产品Sakana Fugu的技术底座。2026年4月，Sakana AI已推出Sakana Fugu多智能体编排系统Beta版，提供Fugu Mini和Fugu Ultra两种配置：前者侧重高速度、低延迟编排，后者侧重全模型池利用和深度复杂推理。Sakana AI同时接受另一项ICLR 2026论文TRINITY协调器，通过Thinker、Worker和Verifier三种角色分工管理大模型池，进一步丰富Fugu平台的多智能体协同能力。

Sakana AI成立于2023年，总部位于东京都港区，由前谷歌研究人员David Ha(CEO)、Llion Jones(CTO)及前Mercari经理Ren Ito(COO)联合创立。公司名称“Sakana”在日语中意为“鱼”，寓意其核心理念——像鱼群遵循简单规则形成有序群体一样，AI也应以受自然启发的机制涌现智能。2025年11月，公司完成约1.35亿美元B轮融资，投后估值达26.5亿美元，投资方包括三菱UFJ金融集团、Khosla Ventures、Macquarie Capital、NEA、Lux Capital及In-Q-Tel。同期，公司扩大了工程团队招聘规模，并在金融、国防、制造等垂直领域加速商业化落地。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com