五个实验室，五个头脑：在小模型上构建多模型金融戏剧
一句话看懂：一个名为 Thousand Token Wood v2 的多智能体经济模拟游戏，将四个来自不同实验室（OpenAI、OpenBMB、NVIDIA 及自研）的小模型拼进同一金融市场，玩家扮演幕后金融家，通过借贷、内幕交易和市场操纵与智能体互动。这个项目证明：真正异质的智能体生态，其工程难点不在模型本身，而在服务层整合和运行时安全。
事件核心：发生了什么
2026 年 6 月 6 日，Hugging Face 博客发布一篇来自 Build Small Hackathon 的工程报告。该项目将上一代单模型模拟升级为多模型金融游戏：森林中的五个动物智能体（如猫头鹰、狐狸）分别运行在 gpt-oss-20b（OpenAI）、MiniCPM3-4B（OpenBMB）、Nemotron-Mini-4B（NVIDIA）以及一个微调后的 Qwen 0.5B（自研）上。玩家不再是旁观者，而是“森林赞助人”——一个影子金融家，可以放贷、散布真假内幕信息、做空、贿赂、撮合联盟，同时面临检察官的制裁威胁。每个动物的交易决策、对玩家的情绪以及相互之间的派系行为，全部由不同架构、不同后训练数据的四个独立模型实时输出驱动。
为什么重要
该项目揭示了一条务实路径：在“一模型多提示”之外，多模型异构架构才是模拟真实市场多样性——而非脚本式行为的关键。四个实验室的模型在数据分布、推理格式、量化方式上天然不同，直接产生了动物之间差异化的囤积、投机与博弈行为。更关键的是，作者指出当前版本 vLLM（0.22.1）JIT 编译需要 CUDA Toolkit，使用精简基础镜像的所有模型都会统一报错“找不到 nvcc”——这与具体模型无关，修复一次镜像即可运行全部。这证明异构模型在推理侧的核心痛点不在模型层，而在服务层的兼容性统一。此外，项目建立了一个极其重要的安全规则：玩家向智能体传递“内幕”信息时，信息真伪标志（true/false）必须完全脱离智能体的 prompt，仅存储在玩家账本中，否则小模型会直接重复或泄露秘密。团队为此设立了全 prompt 扫描测试，确保没有禁用 token 泄露。
对用户/开发者/创作者的影响
对 AI 应用开发者：该项目提供了一个极有价值的参考架构：如何用“容忍性 JSON 解析与修复层”让任意模型的输出流都能稳定接入下游逻辑，新增模型只需一行配置。同时，对信息不对称场景（AI 助手、多智能体游戏、金融仿真）中的安全设计有直接指导意义——任何进入 agent prompt 的内容都可能被重复。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对模型提供方：OpenAI、NVIDIA、OpenBMB 等公司的旧版小模型通过 MXFP4 量化或 trust_remote_code 即可在 24GB L4 GPU 上运行，硬件门槛极低。这意味着多模型混合服务并非只有大厂才能做，个人开发者的单卡方案也能复现。
对游戏/模拟器创作者：提示词膨胀是小型模型运行长历史记录时的典型死局。该项目的解决方案是“几乎不将历史放入 prompt”，而是用一个情绪摘要（如“你对 Oona 感到温暖，对赞助人警惕”）智能体看到的是由整数情绪推导的简短摘要，行为是部分涌现、部分机制决定。这为低成本构建持久人格 AI 角色提供了清晰的技术路径。
值得关注的后续
1. 多模型集成方案能否标准化：当前项目使用统一 JSON 解析层实现了“配置即添加”，但不同模型对 prompt 格式、tool calling 的支持差异仍需开发者手动适配。未来若出现类似 OpenRouter 的通用 agent 服务层，会极大降低异构大模型应用的门槛。
2. 内幕交易游戏的合规边界：项目将传统经济博弈类游戏与真实金融模拟结合，如果后续变成 SaaS 或公开产品，需关注金融监管和教育用途之间的界限，尤其是在期货和杠杆机制模拟上。
3. 开源模型生态的竞争杠杆：使用多个老款小模型跑出有趣的行为模拟，相当于在“模型越新越大越好”的主流叙事之外给出独立证据：4B-20B 量级的低功耗模型在深度互动中的应用场景依然成立且成本极低，可能刺激更多小模型团队聚焦推理效率而非单纯追求参数量。
