基元律动 x 无问芯穹 | 联合发布 NeoHorse-1：首个自研 Agent-Native 模型，RSI 双环首次跑通

今天，基元律动（TokenRhythm）联合无问芯穹，与清华大学、北京大学、香港中文大学、阿里巴巴等伙伴一起，正式发布首个自研模型 NeoHorse-1，提供 4B 与 9B 两个版本。

NeoHorse-1 是一款面向 Agent 场景训练的语言模型，支持工具调用、任务规划、深度搜索与代码生成等任务，初步具备 Agent 原生（Agent-Native）能力，在多项 Agent 子任务上达到同规模模型SOTA。与通用基座模型不同，NeoHorse-1 的训练数据大量来自被Harness调用而产生的结构化轨迹，模型自训练之初即面向「完成任务」而非「回答问题」。

此次发布的意义不止于一个模型。我们同步验证了 RSI（Recursive Self-Improvement，递归自改进）的 Data-RSI 与 Model-RSI 两个环节首次在同一个 Harness 框架内形成闭环，这也是在「执行经验转化为模型能力」技术路径上的首次交付。

技术报告链接：https://github.com/TokenRhythm/NeoHorse/blob/main/TechnicalReport_NeoHorse_v1.pdf

内部评测：在多项 Agent 子任务上达到同规模模型SOTA

内部评测结果显示，NeoHorse-1 4B 在 Agent 任务上的表现已超过多个参数量显著更大的通用模型；9B 版本在更复杂的推理与长程规划任务上表现更优。两个规模的后训练增益，都最突出地体现在 Agentic 任务上。

NeoHorse-1-4B 在 τ²-Bench、PinchBench、WorkBuddy、QwenClaw 等多项 Agent 子任务上均排名同规模对比模型第一，综合宏平均分 64.87 位列 4B 同规模模型之首；NeoHorse-1-9B 同样在 BFCL v4、τ²-Bench、PinchBench、QwenClaw 等工具调用与交互式 Agent 子任务上排名第一，宏平均分从底座的 65.60 提升到 69.04。

这并非巧合。Agentic Post-Training 补强的正是「获取证据 → 更新约束 → 执行 → 验证 → 交付」这条执行闭环：这类任务流程清晰、环境反馈可观察、成败可验证，后训练的红利最直接。因此两个模型的能力提升都集中落在 Agentic 与工具交互任务上，而非相对静态的指令遵循或普通对话场景。

我们认为，NeoHorse-1 仍处于早期阶段，4B 与 9B 两个版本距离既定目标尚有差距。本次发布的价值不在参数规模，而在于验证了一条路径的可行性：从 Agent 任务中产生的数据，能够训练出服务于 Agent 任务的模型；更强的 Agent 模型，能够交付更好的任务结果。

从 Agent 任务中来：Harness 轨迹构成训练数据底座

训练语料以 Routing Harness 在 Agent 执行场景中产生的结构化轨迹为核心，并辅以公开数据。

一次完整的任务执行，会在 Harness 中留下结构化记录：任务请求、能力需求评估、路由选择、模型响应、工具调用、环境反馈、错误与恢复路径、最终完成状态。相比传统问答语料「题目与答案」的形态，执行轨迹多出三个维度的信息：能力需求、执行决策、环境结果。其中既有成功经验，也有被中途替换的失败轨迹——最终答案只能说明「怎么做对」，失败与修复过程则说明「哪里容易出错、出错后如何恢复」。

Agent 轨迹通常很长，包含系统提示、工具参数、重复尝试、错误信息与中间输出，不能直接用于训练。据技术报告，每条轨迹先经过结构检查，确认请求、模型回复、工具调用与环境结果之间正确对应；再从六个维度进行质量评估：是否完成任务目标、是否遵循指令、工具使用是否合理、结论是否有证据支撑、遇到错误后是否恢复、是否在正确时机终止。

由此，NeoHorse-1 从第一天起即为完成任务而训练，而非在通用模型基础上事后适配 Agent 场景。这也是我们讲的 Agent-Native。

Agentic Post-Training：路由信号不只用来选模型，也用来训模型

数据筛选完成后，路由信号在训练中发挥第二个作用。

Harness 路由器在每一轮对话上估计「这个任务需要多强的能力」，并归入四个服务档位：C0 处理边界清晰的低风险请求，C1 是通用默认档，C2 支持多步推理与执行，C3 提供最高能力或最高可靠性。这个档位判断原本只用于线上选模型，NeoHorse-1 把它变成了训练信号。

训练完成后，将路由记录拆成「预测—行动—结果」三段：路由器预测的能力需求、策略实际选择的档位、以及任务最终结果。这种分离让训练侧只用「预测」来排课程，而「结果」字段则提供能力短板信号——哪些子场景反复失败、哪些环节恢复成本高、哪些能力档位供给不足。

这些短板信号被用来调整下一轮的训练数据配比，形成「评测反馈 → 数据配比 → 更新模型」的闭环。报告称之为 Capability-Guided Data Allocation（能力引导的数据配比）。

概括来说：路由负责「这个任务该给谁做」，NeoHorse-1 让它同时负责「这个模型该先学什么、后学什么」。 同一套能力判断，既是在线服务的决策机制，也是离线训练的数据组织方式——这是 Harness 与模型训练首次共用一套信号。

RSI：Data-RSI 与 Model-RSI 首次在同一 Harness 内闭环

NeoHorse-1 同时是递归自我改进（RSI，Recursive Self-Improvement）的一次单轮工程验证。闭环分为两部分：

• Data-RSI：模型在 Harness 中持续执行任务，每一次路由、工具调用、失败恢复与最终结果都产生新的结构化记录，经筛选处理后成为后续训练的候选材料，随系统运行自然增加；

• Model-RSI：系统根据评测结果定位当前模型的能力短板，调整下一轮训练数据分布，更新模型，再把新模型放回 Harness 模型池继续工作。

用一句话概括：模型既从执行经验中学习，也通过新的执行过程，为下一轮学习提供反馈。

不过，当前的NeoHorse还不能被称为完整RSI。

技术报告验证的是一次“执行—评估—选择—更新”闭环。信号编译、奖励设计和训练流程仍然由人类设定，多代模型能否持续获得稳定增益，也有待后续实验。

所以更准确的说法是，NeoHorse的这次发布，同时给出了两层验证：为商业飞轮中的“执行经验转化为模型能力”提供实验依据，也完成了一次面向RSI的单轮工程验证。

我们的商业闭环为：OpenSquilla 承接Agent任务 → Routing 识别各环节最优模型 → TokenRhythm API 将能力规模化输出 → 产生更多任务反馈 → 迭代 Routing → 迭代模型 → 模型进入模型池使用。

在此之前，该闭环中的「模型」一环始终依赖外部供给。NeoHorse-1 的发布补齐了这一环，使飞轮具备自转条件：Harness 产生的轨迹，确实能训练出更好的 Agent 模型；更好的 Agent 模型，确实能交付更好的结果。

多方协同：基础设施与算法创新

NeoHorse-1 由基元律动联合多家机构共同完成：

• 作为联合首发方，无问芯穹在底层基础设施与Infra优化方面提供了关键支持——基于推理优化技术支持了大量推理任务（Agent 任务跑起来很吃底层资源，没有无问，我们跑不出这个规模），并通过弹性训练系统等核心技术提升模型训练效率及稳定性。

• 由汪玉老师发起，清华大学、北京大学、香港中文大学团队参与算法与训练方法创新，探索提升训练投入的能力回报，推动形成更陡峭的训练 Scaling 曲线；阿里巴巴等多家机构在模型推理等方面提供支持。

  
  

开放调用

NeoHorse-1 已开源，可通过以下地址获取。

Huggingface平台：

https://huggingface.co/collections/TokenRhythm/neohorse-1

ModelScope平台：

https://www.modelscope.cn/collections/TokenRhythm/NeoHorse-1

Github平台：

https://github.com/TokenRhythm/NeoHorse

我们的核心判断保持不变：模型数量将持续增加，专业化程度持续加深，成本持续下降，模型之间不会归一，而是需要被组织。NeoHorse-1 将回到多模型协作网络中，占据一个为 Agent 场景而生的位置。

NeoHorse，智能新马力。

官网：tokenrhythm.cn