تمثّل النماذج اللغوية الكبيرة كائنات عامة قوية، ومع ذلك لا يزال حل المشكلات العميقة والمعقدة، مثل تلك التي تطرحها "امتحان البشرية الأخير" (HLE)، يشكل تحديًا مفاهيميًا كبيرًا ويتطلب موارد حسابية باهظة. نُظهر أن النماذج الصغيرة المُنظّمة (Orchestrators) التي تُدير نماذج أخرى وأدوات متنوعة قادرة على رفع الحد الأقصى للذكاء، وتحسين الكفاءة في تنفيذ المهام العقلانية المعقدة. نقدّم طريقة تُسمّى ToolOrchestra، تُستخدم لتدريب نماذج منظّمة صغيرة تُنسّق بين أدوات ذكية. تعتمد ToolOrchestra على التعلّم بالتعزيز (Reinforcement Learning) بشكل صريح، مع استخدام مكافآت تأخذ بعين الاعتبار النتائج، والكفاءة، وتفضيلات المستخدم. باستخدام هذه الطريقة، نُنتج نموذج Orchestrator بحجم 8 مليار معلمة، الذي يحقق دقة أعلى بتكلفة أقل مقارنة بالوكالات السابقة التي تستخدم الأدوات، مع الحفاظ على التوافق مع تفضيلات المستخدم فيما يتعلق بأدوات الاستخدام المناسبة لكل استعلام. على اختبار HLE، حقق Orchestrator نتيجة بنسبة 37.1%، متفوقًا على GPT-5 (35.1%)، مع كفاءة أعلى بنسبة 2.5 مرة. وعلى مجموعتي بيانات tau2-Bench وFRAMES، تفوّق Orchestrator على GPT-5 بشكل ملحوظ، مع استخدام ما يقارب 30% فقط من التكلفة. أظهر التحليل الواسع أن Orchestrator يحقق أفضل توازن بين الأداء والتكلفة عبر عدة مقاييس، كما يتمتع بقدرة عالية على التعميم على أدوات غير مسبوقة. تُثبت هذه النتائج أن دمج أدوات متنوعة عبر نموذج تنظيم خفيف الوزن يُعدّ أكثر كفاءة وفعالية من الطرق الحالية، ممّا يُمهد الطريق لتطوير أنظمة تفكير مدعومة بالأدوات، عملية وقابلة للتوسع.