文章摘要
前华为诺亚方舟实验室主任王云鹤创办的基元律动，近日发布首款Agent原生自研大模型NeoHorse-1，该模型获无问芯穹算力支持，清华、北大团队参与研发，含4B、9B两个版本，评测显示经Agentic后训练的4B模型综合性能超越9B基础模型，达到同规模SOTA。该模型将多模型调度系统积累的执行经验转化为模型能力，验证了递归自我改进方向的单轮工程闭环，整套体系仍待后续验证。

由前华为诺亚方舟实验室主任、盘古大模型负责人王云鹤创办的基元律动，近日发布了首款Agent原生模型NeoHorse，这也是该公司创业以来首次推出自研大模型成果。

这款模型由无问芯穹提供算力支持与基础设施优化，清华大学、北京大学团队参与算法和训练方法研究，共同探索提升Agent后训练的数据利用效率和训练效果。

NeoHorse-1包含4B和9B两个版本，重点面向Agent工作过程中需要的核心能力，包括调用工具、读取环境反馈、发现错误、调整路径，并最终完成任务。

在覆盖Harness Agent、工具使用、代码和指令遵循等10项评测中，经过Agentic后训练的4B模型综合表现已经达到甚至略超9B基础模型。

作为一家一直主打多模型协作的公司，基元律动为何要自研模型？是否准备加入基础模型赛道？从NeoHorse的定位来看，答案是否定的。这款模型更像是把团队过去积累的多模型执行经验，首次转化为模型自身的参数能力。

长期以来，单一分数都是模型对比的主要依据，但当模型被放入Agent系统承担完整任务时，单一分数的解释力会大幅下降。在一项Agent任务中，模型不仅要给出看似合理的答案，还要在执行过程中持续读取环境反馈、处理错误，并根据实际进展调整后续路径，不同环节对模型能力的要求也各不相同。基于此，基元律动团队形成了一个核心判断：模型不归一将是AI产业长期存在的一种结构。

随着AI模型数量增多、分工细化，能力和价格的差异也愈发明显，此时就需要一套系统来回答一系列关键问题：这一步应该使用哪个模型？哪些环节可以交给成本更低的模型？什么时候需要升级到推理和执行能力更强的模型？一条执行路径受阻后，应该更换哪个模型接手？多个模型能否并行给出方案再聚合结果？

王云鹤团队将这套多模型调度系统命名为Routing Harness，其开源项目OpenSquilla已经接入多款模型，通过统一接口在Agent运行过程中实现细粒度路由、模型切换和多模型协作。

按照这套思路，基元律动原本似乎没有太强的理由自研模型——市场上已经有足够丰富的模型供给，按需调用显然更加灵活。但随着调度系统持续运行，另一类重要资产开始沉淀：比如“什么任务需要什么能力”“模型在哪一步容易失败”“什么样的修复路径有效”“怎样的结果能够通过环境验证”。这些信息一方面可以优化路由判断，另一方面也开始具备训练价值。

这一过程类似连接大量品牌与消费者的平台：交易过程中积累的需求、评价和使用反馈，既能帮助商品找到更合适的用户，也可以反哺产品研发，平台服务市场的过程本身就可以成为下一轮产品改进的数据来源。而NeoHorse承担的核心角色，就是将基元律动过去在Routing Harness中积累的部分执行经验，转化为模型自身的能力。

NeoHorse的数据来源极具特色，其核心语料是将Routing Harness产生的Agent执行信号与公开数据结合，构建面向Agent后训练的数据体系。Agent在Routing Harness中完成一次任务，会留下完整的执行记录：

输入任务

→ 路由器判断需要什么能力


→ 选择某个模型


→ 模型进行推理和工具调用


→ 环境返回结果


→ 模型继续执行或发生错误


→ 系统切换模型或调整路径


→ 任务最终完成或失败

与常见问答数据仅聚焦“问题”和“答案”两端不同，Routing Harness的数据还包含多层额外信息：任务需要的能力、系统做出的执行决策，以及环境最终给出的反馈。例如，路由最初判断某项任务仅需要普通模型，但执行过程中连续失败，升级到更强模型后才完成任务，这条轨迹包含的信息远不止一次失败本身。

系统可以从中获知：最初的能力判断可能偏低、模型出错的具体节点、更强模型采用的策略、最终通过环境验证的执行路径，以及完成任务额外消耗的Token和时间。更关键的是，基元律动观察到的并非单个模型对自身能力的判断，而是多个模型面对相似任务时的横向表现，其中既有成功路径，也有中途失败后被其他模型接手的执行记录。

从训练角度来看，失败轨迹甚至可能提供更多信息：最终答案只能告诉模型一条可行路径，而失败与修复过程则补充了“哪里容易出错”和“出错后如何调整”两类知识。正如团队所说，NeoHorse的独特之处在于，它不仅学习多个模型给出的结果，还学习这些模型在任务环境中实际走过的执行路径。

需要注意的是，将所有执行日志直接投入训练，并不会自然得到更强的Agent模型。Agent轨迹通常很长，混杂着系统提示、用户请求、工具参数、执行结果、重复尝试、错误信息以及大量中间输出，其中有些步骤具备训练价值，有些则更接近噪声，还有一些轨迹流程完整但结果本身错误。因此基元律动首先需要解决“哪些数据值得模型学习”的问题。

根据技术报告，每条轨迹都会先经过结构检查，确认请求、模型回复、工具调用和环境结果之间能够对应。随后，系统会从六个维度评估执行质量：是否完成用户目标、是否遵守指令、工具使用是否合理、结论是否有证据支撑、发生错误后能否恢复，以及模型是否在合适的时机终止任务。

这里还涉及Agent训练中容易被混淆的问题：任务结束并不等于用户目标已经满足——模型输出“任务已经完成”只能说明执行流程停止，无法证明交付物符合用户要求。因此，完成状态、目标满足度、环境证据和用户反馈，需要作为不同信号分别记录。

数据完成筛选后，路由信号开始发挥另一项重要作用。路由系统会估计任务所需能力，并形成不同能力档位的信号，NeoHorse在训练过程中会据此安排样本顺序：先学习能力需求较低的任务，再逐渐增加复杂的执行轨迹，同时保留基础任务覆盖。这种方法被称为Routing-Guided Curriculum（路由引导的课程学习），通俗来说，路由信号在线上决定任务交给哪个模型，在训练阶段则可以告诉模型哪些任务更适合先学习、哪些适合后学。

除了常规监督微调，NeoHorse还使用了On-Policy Distillation（在线策略蒸馏），可以理解为先让学生模型按照自身方式解题，再由教师模型针对学生实际走到的步骤给出指导。这样一来，教师模型处理的是学生模型当前分布下会遇到的问题，而非预先准备的一套标准错误案例。

经过上述环节，多模型长期执行任务积累的经验，最终被用于NeoHorse的后训练。从当前技术报告给出的结果来看，Agentic后训练在4B和9B两个尺寸上都带来了稳定提升。

其中，NeoHorse-1-4B的综合表现（宏平均得分从58.94提升到64.87）已经达到同规模SOTA——在所有可对比的基准上均超越其基础模型Qwen3.5-4B，并在4B同规模对比模型中综合领先。不过，达到SOTA并不意味着能力均匀铺开。进一步拆分结果可以看到，4B模型的提升主要集中在一类任务上：这类任务通常拥有相对明确的工作流程，环境反馈能够被观察，成功与失败可以验证，最终交付标准也比较清楚。

举个项目排期任务的例子，基础模型虽然找到了工作目录中的文件，却没有继续读取一封包含最新依赖约束的邮件，最终按照过期信息生成计划，并把文件写到了错误位置。而经过后训练的模型会继续读取新增证据，发现约束已经变化，重新计算排期、验证结果，再把交付物保存到正确位置。二者的差异体现在Agent执行链条上：一个模型大致知道任务应该怎么做，另一个模型已经能把获取证据、更新约束、执行、验证和交付串成较完整的工作流。

达到同规模SOTA并不意味着要让NeoHorse-1-4B接管所有任务，基元律动更关心的是如何精细划分不同模型的能力边界：能够由4B稳定完成的任务，可以减少更大规模模型的调用；能够由更强模型完成的任务，也不需要持续升级到价格最高的旗舰模型；难度继续上升以后，再交给模型池中能力更强的模型。这也正好衔接了Routing Harness与自研模型之间的关系：模型不断向外扩展可承担任务的成本区间，路由系统则根据任务难度和执行情况，把不同能力放到合适的位置。

说到这里，基元律动几条产品线之间的关系也逐渐清晰起来：

  • 第一层是OpenSquilla开源版：通过免费、开源、本地部署和桌面产品，基元律动降低开发者使用多模型Agent的门槛，同时连接开发者和任务入口。
  • 第二层是TokenRhythm API：其定位接近“中国版OpenRouter”，通过统一接口提供不同模型的调用能力，承接开发者和企业的模型使用需求，同时帮助模型厂商连接更多应用场景。企业不需要分别适配大量模型接口，就能更方便地评测、选择和切换模型。
  • 第三层是面向企业的服务与部署能力：金融、制造等行业对权限、稳定性、私有部署和服务保障有不同要求，也由此形成进一步的商业空间。
  • 第四层才是NeoHorse：NeoHorse首先验证了一项关键连接：Routing Harness执行过程中产生的有效经验，经过筛选和训练以后，确实有机会被转化成模型自身的能力。由此，基元律动此前提出的商业飞轮第一次出现了模型层面的结果。

这一点也带来了优化推理经济账的可能。如果NeoHorse后续能够稳定承接一批高频、标准相对明确的Agent任务，平台便多了一种可以自主调度的能力供给。这些任务可以进一步优化推理成本、响应速度和稳定性，也让模型供给配置更加灵活。随着模型继续迭代，其可覆盖的任务范围还有进一步扩大的空间。

从这个角度看，基元律动想做的事情有点像制造体系中的工艺积累：外部模型生态提供不同能力，Routing Harness负责组织执行；在执行过程中形成的经验，再进入下一轮模型改进。从连接模型、提供服务，到把服务中产生的经验转化为模型能力，并进一步改善效率和质量，这也是基元律动在API聚合平台之外，多走出去的一步。

基元律动设想中的循环大致可以用几条业务线串起来：

Routing Harness连接开发者与Agent任务

→ TokenRhythm API连接模型供给与调用需求


→ Harness组织执行，积累路由与任务轨迹


→ 可用轨迹经过筛选，用于模型训练


→ 更新后的模型返回Harness，参与适配任务


→ 改善任务体验，探索更好的响应速度与成本效率


→ 持续使用、付费与经营效率的提升


→ 支持下一轮服务完善和研发投入

其中一个关键变化在于，模型产生的轨迹，不再只停留在消费和调用环节，它还可能成为下一轮模型训练的来源。Agent完成一次任务，Routing Harness就多获得一次关于能力边界的观察：某个模型失败，系统知道能力缺口可能出现在哪里；另一个模型成功接手，系统得到一条新的修复路径；用户最终接受或者拒绝结果，又提供一层外部反馈。

任务积累越多，路由判断可能越准确；路由判断更加准确以后，筛选出的训练轨迹也会更贴近实际任务；模型更适合任务以后，API服务又有机会获得更好的成本和体验。如果这一循环能够长期成立，基元律动与常规API聚合平台之间的差异，也会逐渐从路由规则和模型列表，进入训练任务设计、训练方法以及模型参数，并最终通过产品表现呈现出来。

以上也是基元律动开始谈论RSI（Recursive Self-Improvement，递归自我改进）的背景。基元律动目前验证RSI的范围更接近一套工程闭环，可以拆成两个部分：

  • 第一个是Data-RSI：模型在Routing Harness中持续执行任务，每一次路由、工具调用、失败恢复和最终结果，都会生成新的结构化记录。这些记录经过筛选和处理以后，可以进入后续训练的数据池。训练数据因此不必全部依赖人工提前准备，也能够随着系统持续使用而增加。
  • 第二个是Model-RSI：系统根据评测结果识别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Routing Harness参与执行。也就是说，模型从执行经验中学习，更新后的模型又通过新的任务执行，为下一轮训练产生新的反馈。

不过，以NeoHorse目前公开的信息，还不能把这套体系视为完整RSI。技术报告目前验证的是一次“执行—评估—选择—更新”闭环，信号设计、奖励设计和训练流程仍由人类设定，多代模型迭代以后能否继续稳定获得增益，也需要更多实验确认。因此更准确的表述是，NeoHorse这次发布完成了两层验证：一层是商业上的，系统积累的数据，能够进入模型训练，并转化成可测量的能力提升；另一层是技术上的，王云鹤带领创业团队完成了一次面向RSI方向的单轮工程验证。

当然，基元律动的故事要成立，还需要跨过几道关：

  • 第一，开源生态能否持续转化为API使用和收入。
  • 第二，随着任务类型增加，系统能否持续获得足够高质量、可用于训练的Agent轨迹。
  • 第三，模型能力改善以后，能否稳定转化成更好的任务体验和执行效率，并进一步体现在经营数据上。
  • 第四，多轮模型迭代以后，能力增益还能持续多久。

这些问题都需要更长时间观察。以及还有一个绕不开的变量——DeepSeek、Qwen、MiniMax等模型厂商也在向Routing Harness和Agent产品延伸，模型与Agent基础设施垂直整合的趋势越来越明显。

以基元律动为例，这家公司目前拥有的差异之一是模型中立，以及跨模型执行过程中形成的横向比较数据。但如果模型之间的能力差异足够大，跨模型调度有机会成为一门独立生意；如果头部模型逐渐覆盖更多任务，或者厂商自己把Routing、工具调用和Agent框架一起打包，留给中间层的空间就会被压缩。上游能力越来越强、越来越便宜的时候，中间这一层为什么还需要存在？

对基元律动来说，NeoHorse至少让这个问题多了一层新的观察角度。过去它证明自己会“用模型”，现在开始尝试证明，长期使用模型积累下来的数据，也能沉淀成自己的模型能力。这条路如果走通，基元律动的护城河就不只在路由策略上；如果走不通，它仍然要面对所有模型中间层都会遇到的问题。

GitHub：
https://github.com/TokenRhythm/NeoHorse
Hugging Face：
https://huggingface.co/collections/TokenRhythm/neohorse-1

以上内容不代表本平台立场，仅供读者参考