Bortom modellvikterna: Så visar ForgeCode att orkestreringen är nyckeln

AI-branschen har jagat större modeller och tyngre vikter i ett helt år. Men ForgeCode slår fast en jobbig sanning: hur du styr modellen räknas minst lika mycket.

Teamet tog Gemini 3.1 Pro och byggde in den i ForgeCodes setup. Inga ändringar i modellen. Inget finjusterande, inga nya parametrar, ingen omträning. Bara en ny sätt att hantera verktyg. Resultatet? Från 55% till 80,2% på Terminal-Bench 2.0. 25 procentenheter upp – enbart tack vare smartare rördragning.

Sanningen: Bättre scheman slår rå modellkraft

För er som bygger kodagenter på riktigt blir det här guldkorn.

När en LLM ska köra ett verktyg – läsa fil, köra kommando, hämta från databas – skapar den JSON med förfrågan. Lätt som en plätt? Nej. De flesta ramverk skickar djupt nestlade scheman med slumpmässig fältordning. Modellen svajar, lägger till fel bracket, missar ett fält. JSON krashar. Retry-loop startar.

ForgeCode plattas till scheman och fixar fast fältordning varje gång. Samma modell, renare struktur, färre fel. Orkestringslagret fixar det som tidigare dog tyst i loggarna.

Såna här tweaks hamnar sällan i forskningsrapporter. För praktiskt. Men det levererar.

Parallell körning: 3–5x snabbare utan hybris

Vanliga kodagenter kör steg för steg. Begär fil, väntar, begär nästa. Kedjereaktioner i molnet. ForgeCode vänder på det: oberoende verktygskall går parallellt med join_all().

Behöver agenten läsa 10 konfigfiler först? Sekventiella agenter gör 10 rundor. ForgeCode klarar det på en. För uppgifter som börjar med filscanning – det mesta gör det – får du 3–5 gånger snabbare tid.

I stor skala växer det explosionsartat. CI/CD-agenter, kodgranskare, debugbots – alla kämpar med filflaskhalsar. Parallellism är inte finess. Det är skillnaden mellan dev-leksak och prod-verktyg.

Multi-agent-uppbyggnad: Rekursion utan spärrar

ForgeCode kör tre specialiserade agenter:

• Forge: Kör uppgifter
• Muse: Planerar arbetsflöden
• Sage: Gräver i kontext och beroenden

Varje har egen modell, isolerat context-fönster och verktygslåda. Inget nytt. Tricket ligger i samarbetet.

Sub-agenter poppar upp via parallellagret. En huvudrunda kan starta flera Forge-instanser på separata deluppgifter samtidigt. Och sub-agenter kan skapa fler sub-agenter. Delegationen går rekursivt – så djupt som problemet kräver.

Ett träd, inte en stege.

Släng komplexa uppgifter på ForgeCode. Systemet bryter ner naturligt och slutar delega när det inte behövs mer. Inga godtyckliga djupgränser.

De ärliga svagheterna

ForgeCode påstår inte vara redo för allt i prod. Teamet pekar ut hålen:

• Ingen persistent minne: Sessioner är stateless. Kontext försvinner mellan körningar.
• Inga checkpoints: Krashar det mitt i? Starta om från noll. Inget resume.
• Mindre ekosystem: Cline och OpenCode har starkare community och fler integrationer.

Stora luckor för riktiga deployment. Men de är tydliga. Du vet exakt vad du får.

Vad det betyder för din AI-stack

ForgeCodes siffror visar en större poäng: jaga prestanda i orkestringslagret innan du uppgraderar modellen.

För startups och team med kodagenter: Fokusera på ramverken du styr. Renare scheman. Parallell körning. Rekursiv delegering. Det ger snabba vinster.

För hosting-plattformar (som oss): Att köra agenter handlar inte bara om GPU och latency. Ramverken ovanpå infrastrukturen väger tyngst.

Fullständiga benchmarks finns på terminal-bench.com. Vill du testa ForgeCode? Kolla Tensorlake's Harness för guider.

Modellen lever. Men orkestringslagret stal rampljuset.

Vill du köra AI-agenter på skalbar infrastruktur? NameOcean's cloud hosting och Vibe Hosting AI-layer är gjorda för sånt här. Hör av dig.