NousResearch

为什么是 Hermes？ 在工具增强型智能体的构建中，函数调用（Function Calling）能力是核心中的核心。当 OpenAI 的 function calling 成为行业事实标准后，开源社区一直在寻找能够可靠执行这一范式的开源模型。NousResearch 的 Hermes 系列正是在这个需求下脱颖而出的产物。 Hermes 不是又一个通用大模型，而是一个专注于"指令遵循和工具使用"的特化模型系列。它通过对大量函数调用对话数据进行精细微调，在开源模型中实现了接近 GPT-4 级别的函数调用可靠性。 Hermes 函数调用机制详解 2.1 与 OpenAI function calling 的对比 OpenAI 的 function calling 采用 JSON Schema 定义函数签名，模型直接输出结构化的 JSON 参数。Hermes 采用了一种不同的方案——基于特殊标记的函数调用格式： 模型在生成文本时，通过特定的标记来表示"我要调用一个函数"，然后在标记之间输出 JSON 格式的调用信息。例如，当用户询问天气时，模型会输出类似如下的内容： {"name": "get_weather", "arguments": {"location": "上海", "unit": "celsius"}} 这种设计有几个优势： 可解析性强：特殊标记使得函数调用的边界清晰明确，解析器不需要依赖正则表达式或 JSON 修复 多调用支持：一次响应中可以包含多个函数调用请求 与自然语言混合：模型可以在函数调用前后插入自然语言解释，提升用户体验 2.2 工具定义格式 Hermes 使用 JSON Schema 来定义可用工具，格式与 OpenAI 高度兼容： tools = [ { "type": "function", "function": { "name": "search_web", "description": "搜索互联网获取最新信息", "parameters": { "type": "object", "properties": { "query": { "type": "string", "description": "搜索关键词" }, "max_results": { "type": "integer", "description": "最大返回结果数", "default": 5 } }, "required": ["query"] } } }, { "type": "function", "function": { "name": "read_file", "description": "读取指定路径的文件内容", "parameters": { "type": "object", "properties": { "path": { "type": "string", "description": "文件路径" } }, "required": ["path"] } } } ] 2.3 系统提示构建 Hermes 的函数调用依赖于精心设计的系统提示来引导模型行为： ...

引言：开源社区的"爱马仕" 在开源大语言模型的生态中，NousResearch 的 Hermes 系列一直占据着特殊地位。它不以参数规模取胜，而是以精细的对齐策略和出色的指令遵循能力赢得了社区的广泛认可。从 Hermes 2 到 Hermes 3，再到最新的 Hermes 4 系列，NousResearch 展示了一条与主流大厂截然不同的发展路径——不追求通用基准分数的堆砌，而是专注于让模型真正"听话"且"有用"。 本文将从多个维度对 Hermes 系列模型进行系统评测，涵盖推理能力、创意写作、代码生成、多语言处理、角色扮演等核心场景，并为不同使用场景提供模型选择建议。 一、Hermes 系列发展脉络 1.1 Hermes 2：奠定基础 Hermes 2 基于 Llama 2 架构，首次引入了 NousResearch 自研的对齐方法。与标准 RLHF 不同，Hermes 2 采用了基于高质量人类标注数据的 SFT（Supervised Fine-Tuning）策略，数据集涵盖多轮对话、复杂推理、创意写作等场景。这一策略使 Hermes 2 在指令遵循方面表现优异，特别是在长指令和复合指令的处理上。 1.2 Hermes 3：质的飞跃 Hermes 3 基于更新的基座模型（Llama 3.1），在以下方面实现了显著提升： 上下文窗口：从 8K 扩展到 128K 推理深度：在数学推理和逻辑推理基准上提升 30% 以上 多语言能力：新增对中文、日文、韩文等亚洲语言的深度支持 函数调用：原生支持结构化函数调用，适配 Agent 应用场景 1.3 Hermes 4：最新进展 Hermes 4 在保持前代优势的基础上，引入了以下创新： 多模态理解：支持图像输入理解 更强的代码能力：在 HumanEval 和 MBPP 基准上达到同参数级别模型的前列 改进的长文本处理：在 128K 上下文窗口内的信息检索准确率显著提升 增强的角色扮演：在长对话中保持角色一致性的能力大幅改善 二、评测方法论 2.1 评测维度 本次评测覆盖以下六个核心维度： ...