10 月 25 日前後，一種名為 GVS5H 的免訓練方法在 Hacker News 首頁引發關注：把同一個開源模型開五個例項，讓它們通過共享檔案系統裡的計劃、筆記與當前解分工協作，即可大幅提升編碼基準成績。據其論文，在 LiveCodeBench 最新 100 道 hard 題上，本地部署的 Qwen3.8-27B 的 pass@1 從 66.8% 升至 92.4%，在固定後端上最多帶來 25.6 個百分點提升；雲端編排的 Qwen3.8 Flash Next 達 93.0%，高於 Fable 5 的 90.4%，成本僅為其 9%。論文同時指出收益並不普遍，部分模型持平甚至變差，提升被歸因於問題拆解與持久上下文。10 月 31 日，有開發者用 Memdoor 工作流重建該方法：規劃、兩個構思、求解、管理與修復角色各自從全新上下文出發，只通過磁碟檔案交流，由指令碼而非模型判定成敗；在前十道 LiveCodeBench Hard 題上五輪均分 9.8/10，原作者 harness 為 9.6，單獨 Fable 5 為 8.0。50 次執行解出 49 題，共花 35.79 美元（1530 萬輸出 token），單次中位 40 分鐘、約 0.39 美元，且全部經 OpenRouter 呼叫而非本地部署。對在自有硬體上跑開源模型的人來說，這意味著不換模型、不做訓練，僅靠推理時的多例項編排也可能逼近前沿閉源模型的編碼水平。
AI 根據 2 則報導生成 · 更新
沿著報導，了解事件的不同側面；點標題看單篇報導的摘要與原文連結。
Memdoor 將 GVS5H 的多智慧體方法重建成 team-solve 工作流：規劃、兩個構思、求解、管理與修復各自從全新上下文出發，只通過磁碟上的檔案交流，在 LiveCodeBench Hard 前十題跑五輪均分 9.8/10。50 次執行解出 49 題，共花 35.79 美元（1530 萬輸出 token），單次中位 40 分鐘、約 0.39 美元，全部經 OpenRouter 呼叫而非本地。
本地部署的開源 Qwen3.8-27B 用上 GVS5H 後，在 LiveCodeBench 最新 100 道 hard 題上的 pass@1 從 66.8% 升到 92.4%。該方法不需要訓練：同一模型開五個例項，通過共享檔案系統裡的計劃、筆記與當前解來拆解問題並協調，在固定後端上最多帶來 25.6 個百分點提升。雲端編排的 Qwen3.8 Flash Next 達到 93.0%，高於 Fable 5 的 90.4%，成本僅為其 9%。收益並不普遍，部分模型持平或變差；
過去 48 小時，有 0 個獨立來源報導，最近 6 小時新增 0 個。熱度 0.0。
熱度以 48 小時內的獨立來源計，同一來源只算一次，每 24 小時權重減半。
同一事件的報導集中在這裡，新的進展會繼續補充。