Az Nvidia egy teljesen új megközelítéssel jelentkezett a mesterséges intelligencia alapú problémamegoldás terén, amikor bemutatta a Tool Orchestra rendszert. Ezzel eltér a megszokottól, hiszen nem egyetlen nagyméretű modellre támaszkodik, hanem egy kisebb, 8 milliárd paraméteres ‘orchestrátor’ dönt arról, hogy melyik specializált modell vagy eszköz oldja meg a feladatrészleteket.
A rendszer képes dinamikusan kiválasztani, mikor szükséges például webkereső, kódértelmező, matematikai vagy programozási tudásra specializált modell. A folyamat során iteratív lépésekkel halad, minden egyes részfeladatot a legalkalmasabb ‘szakértőn’ keresztül hajtva végre.
Egy másik érdekesség, hogy az Orchestra tanításánál erősítéses tanulást alkalmaztak, melynek fő szempontjai között szerepel a helyes válasz megtalálása, az alacsony költség és késleltetés, valamint a felhasználói preferenciák tiszteletben tartása. A rendszer teljesítményét különféle teszteken, például emberek számára is kihívást jelentő logikai feladatokon keresztül értékelték riválisokkal, többek között a GPT-5-tel vagy a Claude Opus modellel összevetve.
Feltűnő mintázatot mutat az Orchestra eszközhasználata: egyenletesebben osztja el a feladatokat az eszközök között, illetve jobban képes új, korábban nem látott eszközökhöz is alkalmazkodni. Ezzel szemben más modellek hajlamosak csak néhány ismertebb eszközt gyakrabban használni.
Felmerül azonban néhány érdekes kérdés: mennyire skálázható ez a megközelítés nagyobb modellekre, és hogyan teljesít más, szélesebb körű AI-feladatokban, például kódgenerálásban vagy webes interakcióban? Az is fontos szempont, hogy a rendszer fenntartása több modellt és eszközt igényel, ami növelheti az üzemeltetési költségeket és a komplexitást.
