追平GPT-4o，MATH-500数学基准拿到96.3%惊人高分，Hermes4 如何做到？

摘要：这一系列模型，不仅在数学、代码这些硬核指标上，交出了一份足以让许多顶级闭源模型汗颜的成绩单，更重要的是，它带来了一套全新的打法。用Nous Research自己的话说就是：“Hermes 4不仅是一组模型，更是一套全新的方法论——它证明，透明、可复现、开放的技

8月25日，AI圈炸出了一个重磅模型。

这事儿的主角，不是OpenAI，也不是谷歌，而是一家在圈外名不见经传，但在技术圈里却分量十足的研究机构——Nous Research。

他们悄无声息地，扔出新一代大模型，Hermes 4系列。

这一系列模型，不仅在数学、代码这些硬核指标上，交出了一份足以让许多顶级闭源模型汗颜的成绩单，更重要的是，它带来了一套全新的打法。用Nous Research自己的话说就是：“Hermes 4不仅是一组模型，更是一套全新的方法论——它证明，透明、可复现、开放的技术路径，完全可以与巨头们的封闭系统正面竞争，甚至在某些领域实现超越。”

这话说得相当有底气。那么，这个名不见经传的Nous，究竟是凭什么，敢叫板整个由千亿美金和海量GPU堆砌起来的AI帝国？别急，我们一层一层地把它扒开来看。

AI不仅要会思考，还得懂“闭嘴”

用过大模型的朋友可能都有过这种体验：你问它一个复杂问题，它要么“直来直去”给你一个简单答案，显得有点“笨”；要么就开始“滔滔不绝”，陷入一种无休止的“思考循环”，最后把自己给绕进去，直接爆了上下文窗口。

这就是行业里一个普遍的痛点。AI好像总是在“思考不足”和“思考过度”之间反复横跳。

Hermes 4给出的第一个答案，就叫“混合推理机制”。

听着挺玄乎，说白了就是让AI学会了“收放自如”。当用户需要它深度思考的时候，可以通过一个简单的指令，让模型进入“深度推理”模式。这时候，Hermes 4会在给出最终答案前，先把自己的内心戏、推理过程，用一个特殊的标签（比如...）原原本本地展示给你。这就像一个学霸在做数学题，不仅写了答案，还把详细的解题步骤工工整整地给你列了出来，让你看得明明白白。

如果只是个简单问题，它也能快速给出标准答案，绝不拖泥带水。这种在“深思熟虑”和“高效敏捷”之间无缝切换的能力，让它变得异常实用。

但光会“想”还不够，还得会“停”。Nous团队发现，自家的小模型在推理模式下，有60%的情况会因为“想太多”而直接“干到宕机”，任务中断。这可不行。

于是，他们又设计了一个“长度控制”机制。简单粗暴，就是在第二阶段微调的时候，专门训练模型在推理到3万个token的时候主动“刹车”，告诉它“行了，到这儿就得了”。你还别说，效果出奇地好。在AIME'24、LiveCodeBench这些硬核任务上，这种“想太多”的超长生成率，直接降低了65%到79%，而准确率的损失却微乎其微。

AI研究员Muyu He还发现：“较小的模型（

你看，让AI学会思考不难，难的是让它知道什么时候该闭嘴。Hermes 4做到了。

不靠人力投喂，自己关门“造粮”

如果说混合推理机制是Hermes 4聪明的大脑，那它源源不断的知识又是从哪来的？答案可能让你有些意外：绝大部分，是它自己“造”的。

这就是Hermes 4的第二个杀手锏：一个名为DataForge的合成数据“工厂”。

在AI圈，数据就是粮草，得数据者得天下。但高质量的数据太稀缺、太昂贵了。怎么办？自己造。DataForge干的就是这个活儿。它不是简单地用模板生成些废话文学，而是建立在一个复杂的有向无环图（DAG）系统上。

这是什么意思呢？你可以把它想象成一个超级复杂的“知识蒸馏”流水线。比如，把一篇维基百科文章丢进去，流水线上的第一个节点，可以把它变成一首歌词，第二个节点，再根据歌词生成对应的问答题。整个过程全自动，而且逻辑严谨，保证了数据的多样性和高质量。

靠着这个“数据工厂”，Nous团队生产了大约500万个高质量样本，总计有几百亿的token。其中，用于训练推理能力的样本，平均长度是普通样本的5倍，最长的“思考链”甚至支持到16000个token。

光有工厂还不够，还得有质检员。这个角色由一个叫Atropos的开源强化学习框架扮演。它内置了超过1000个任务特定的“验证器”，就像1000多个火眼金睛的考官，覆盖了从答案格式、指令遵循，到工具使用等方方面面。

模型生成的每一个候选答案，都必须经过这些考官的严格审查，只有通过的，才有资格被纳入最终的训练集。这种玩法，用投资人Tommy Shaughnessy的话说就是：“Hermes 4的训练数据里，有350万条推理样本、160万条非推理样本，全部经过Atropos的严格筛选。这不是静态QA，而是动态‘练兵’。”

这种“自产自销”加“严格质检”的模式，让Nous摆脱了对昂贵人工标注数据的依赖，用一种更聪明、更高效的方式，给模型喂出了高质量的“精神食粮”。

是骡子是马，拉出来遛遛

说了这么多，又是新机制，又是新数据，那Hermes 4的实战能力到底怎么样？毕竟在AI这个圈子，一切都要靠实力说话。

不多说，直接上成绩单。

从这两张图里，信息量可以说是非常大了。

首先看硬实力，尤其是在数学和推理这种最考验模型逻辑能力的领域。405B参数的Hermes 4，在MATH-500这个大学级别的数学基准上拿到了96.3%的惊人高分，在美国数学邀请赛AIME'24上也达到了81.9%。这个成绩，不仅把之前所有的开源模型甩在了身后，甚至已经开始逼近甚至超越某些最顶尖的闭源系统了。这说明，靠着那套独特的训练方法，Hermes 4是真的“学进去了”。

再来看一个更有意思的测试：RefusalBench。这个基准是Nous自己搞的，专门用来测试模型有多大的意愿“拒绝回答”用户的问题。分数越高，说明模型越开放，越愿意配合用户；分数越低，说明它越保守，内置的“安全护栏”越多。