Orchestra-o1: New Omnimodal Agent Orchestration Framework

•Orchestra-o1採用統一編排策略，能選擇性地分解任務，並將子任務分派給適當的模型與原語組合，同時共同優化分解深度、工作代理選擇和推理預算，這與傳統僵化的編排方法不同。
•該框架在涵蓋數學、程式碼、知識、長上下文和代理工具使用等13項基準測試套件中，達到了77.0%的宏觀通過率@1，比最強的工作流程基準線高出約16%，同時將每次查詢的成本降低了一個數量級。
•Orchestra-o1透過將規劃器和路由器整合到單一因果骨幹中，並行分派獨立子任務，以及在查詢可直接完成時跳過工作代理呼叫等架構選擇，確定性地減少了協調開銷。
•Orchestra-o1引入了「線上子代理專業化」機制，作為其統一編排能力的一部分，以適應複雜的多模態任務。
•經DA-GRPO訓練的Orchestra-o1-8B模型，在所有現有開源全模態代理中實現了最先進的性能。

📊 競品分析▸ Show

特徵/基準測試	Orchestra-o1	Google ADK	OmniAtlas
支援模態	文字、圖像、音訊、影片 (統一編排)	文字、圖像、影片、音訊 (原生多模態)	影片、音訊、圖像 (全模態感知)
編排模型	統一編排策略，選擇性任務分解，線上子代理專業化，平行子任務執行	基於圖形的工作流程，分層代理樹	代理推理系統，透過主動感知工具擴展基礎LLM
關鍵訓練方法	DA-GRPO (決策對齊群體相對策略優化)	未明確說明，可能利用Google內部RL方法	透過後見引導樹探索策略和OmniDPO進行微調
OmniGAIA基準測試 (準確度)	比第二佳方法高10.3%，開源全模態代理中表現最佳	未直接提供，但Google Gemini 3 Pro達到62.5%	將Qwen3基礎模型從13.3%提升至20.8%
定價	無 (研究框架)	無 (框架，但基於Google Cloud服務)	無 (研究框架)

Orchestra-o1引入了一種統一的編排機制，旨在支援跨多種模態的高效代理協作。
該框架具備模態感知任務分解、線上子代理專業化和平行子任務執行能力。
DA-GRPO (Decision-Aligned Group Relative Policy Optimization) 是一種高效的代理強化學習方法，用於訓練Orchestra-o1-8B模型。
DA-GRPO透過為每個代理使用其自身的獎勵均值和方差進行正規化，解決了將標準GRPO擴展到多代理LLM系統時的訓練不穩定性問題，避免了全局基線可能偏離不同代理獎勵分佈的情況。
GRPO (Group Relative Policy Optimization) 的核心機制是透過比較同一任務產生的多個執行軌跡，並在每個組內正規化其獎勵，從而避免了顯式價值函數估計。
在架構層面，Orchestra-o1透過將規劃器和路由器合併到單一因果骨幹中，移除了冗餘的交接；在查詢可直接完成時啟用「惰性模式」跳過工作代理呼叫；以及平行分派獨立的子任務，以確定性地減少協調開銷。

Orchestra-o1將加速多模態AI代理在企業級應用中的普及。

其統一編排異質模態、提升任務分解與協作效率，並顯著降低查詢成本的能力，使其成為部署複雜多模態工作流程的更可行方案。

DA-GRPO的引入將推動多代理強化學習的穩定性和效率達到新水平。

透過解決傳統GRPO在多代理系統中訓練不穩定的問題，DA-GRPO為更複雜、更具協作性的AI代理系統的開發奠定了基礎。

2026-02

OmniGAIA基準測試發布，為評估全模態AI代理提供綜合性平台

2026-05

Orchestra-o1 (或 Uno-Orchestra) 框架論文在ArXiv上發布，提出統一的全模態代理編排策略

Orchestra-o1：全新全模態代理編排框架