대규모 언어 모델은 강력한 보편적 모델이지만, 인류의 마지막 시험(Humanity's Last Exam, HLE)과 같은 심오하고 복잡한 문제를 해결하는 데는 여전히 개념적으로 도전적이며 계산적으로도 비용이 많이 든다. 본 연구에서는 다른 모델과 다양한 도구를 조율하는 소형 조율자(orchestrator)가 지능의 상한을 높이고, 어려운 에이전트 작업을 해결하는 데 있어 효율성을 향상시킬 수 있음을 보여준다. 우리는 지능형 도구를 조율하는 방법으로 'ToolOrchestra'를 제안한다. ToolOrchestra는 결과, 효율성, 사용자 선호도를 고려한 강화학습을 명시적으로 활용한다. ToolOrchestra를 활용해, 80억 파라미터(8B) 규모의 Orchestrator 모델을 개발하였으며, 이는 이전의 도구 사용 에이전트보다 낮은 비용으로 더 높은 정확도를 달성하면서, 사용자가 특정 질의에 대해 어떤 도구를 사용할지에 대한 선호도와도 일치한다. HLE에서 Orchestrator는 37.1%의 점수를 기록해 GPT-5(35.1%)를 상회하며, 계산 효율성은 2.5배 높다. tau2-Bench와 FRAMES에서 Orchestrator는 GPT-5를 크게 앞서며, 비용은 약 30%만 사용한다. 광범위한 분석 결과, Orchestrator는 여러 지표에서 성능과 비용 간의 최적 균형을 달성했으며, 미지의 도구에 대해서도 견고한 일반화 능력을 보였다. 이러한 결과는 가벼운 조율 모델을 사용해 다양한 도구를 조합하는 방식이 기존 방법보다 더 효율적이고 효과적임을 입증하며, 실용적이고 확장 가능한 도구 보강형 추론 시스템의 실현 가능성을 열어준다.