基元律动NeoHorse-1爆火！三天下载破万成黑马

近期，一款面向智能体场景的国产大模型在开源社区迅速引发关注，其亮眼的传播数据和技术思路受到开发者广泛讨论。

这款名为NeoHorse-1的模型由基元律动推出，仅用三天时间就在Hugging Face平台收获了12193次下载，其中4B版本和9B版本的下载量分别达到6109次和6084次。在开发者社区中，短时间内达成这样的下载量，通常意味着产品已经获得了行业的初步认可。

同时，NeoHorse-1的技术报告还登上了Hugging Face 9月9日的Daily Papers当日榜首，截至当前已经获得了三次社区投票支持。

这款模型也得到了行业资深人士与头部社区的推荐：知名AI观察者AK在社交平台对其进行了硬核推荐，魔搭官方也同步推荐了该模型，社区开发者已经开始围绕该模型制作量化版本、探索本地运行方案，甚至已经将其部署到实际的开发环境中。

行业认可与技术亮点

不少关注AI领域的开发者对NeoHorse-1并不陌生，基元律动在Agent原生模型领域早有布局。这款模型的核心亮点在于基于对Harness的深度理解和模型路由的优化设计，其技术路径充满想象力。

AK在推荐中重点提到了其核心方向：通过Routing Harness驱动的Agent后训练，实现递归式的自我改进。而魔搭在推荐中也关注到了其背后的训练机制：如何将Agent的执行轨迹转化为可用于训练的信号，如何让能力反馈参与到模型的迭代训练中，以及这条路径与RSI训练框架的关联。

当Agent完成一项任务时，通常会经历工具调用、环境反馈和错误修复的完整流程，基元律动的团队思考的是，如何将这些过程从单次任务的记录，转化为模型可以学习的通用经验，NeoHorse-1正是给出了他们的探索答案。

你可以通过以下链接查看其完整技术报告：https://arxiv.org/abs/2609.08183

社区共创与落地实践

模型的价值最终需要开发者的实际使用来验证。NeoHorse-1开源后，社区的响应速度远超预期，从单纯的分享转向了针对性的适配优化。

其中，Rapid-MLX团队已经发布了NeoHorse-1-9B的4-bit MLX转换版本，为Apple Silicon设备提供了本地运行的方案，同时公开了转换说明和本地验证记录，相关资源可在Hugging Face社区查看。

此外，社区开发者prithivMLmods、mradermacher等人也制作了GGUF量化版本，为不同硬件环境的用户提供了更多选择。

和此前不少热门开源模型的走红路径类似，NeoHorse-1的玩法大多由开发者社区共创而来。团队内部的评测只能提供基础的性能数据，而不同开发者基于各自的硬件、工具和任务场景，会发现模型在实际使用中的优劣：哪些环节运行流畅，哪些部分仍不够稳定，哪些执行步骤容易出现错误。这些来自一线的反馈，正在推动NeoHorse-1不断优化，进一步扩大其影响力。

Agent训练的新范式探索

深入了解后可以发现，基元律动一直在探索多模型时代的智能组织层：此前其推出的TokenRhythm API用于连接模型供给与调用需求，OpenSquilla则用于组织不同模型协同完成Agent任务。而NeoHorse-1则在这条路线上迈出了关键一步：让Agent执行过程中积累的经验能够沉淀为模型的核心能力。

本次研究以Routing Harness的执行轨迹为核心，结合公开数据集，通过筛选、评估和后训练流程，优化模型的Agent执行能力。当模型完成任务后，产生的有效执行经验可以被再次用于训练，而训练后得到的能力提升又可以回到实际任务中接受检验，这一闭环为此前提出的商业飞轮补上了关键的实验依据。

这套反馈机制也完成了面向RSI的单轮工程验证：

• Data-RSI：执行轨迹形成结构化记录，经筛选后成为训练材料。
• Model-RSI：评测识别能力短板，反馈影响数据选择和模型更新，再回到Harness中检验。

当然，这套机制仍处于早期探索阶段，比如更好的任务体验能否带来持续的用户使用，模型更新能否提升服务效率，都需要后续的运行数据来验证。但不可否认的是，这一方向为Agent大模型的迭代提供了全新的思路。

不少开发者已经开始尝试将NeoHorse-1接入自己的Agent工作流，用于工具调用、代码编写和多步骤任务执行，相信会有更多有趣的应用场景被开发出来。我们也期待，能够让Agent走过的每一段路径，都成为下一次完成任务的能力积累。