NeoHorse：把「会用工具的经验」炼进模型权重，国产 RSI 的单轮工程验证

综述

在一次项目排期测试中，一个 4B 基础模型找到了工作目录里的文件，却漏读了一封包含最新依赖约束的邮件——它按过时信息生成了计划，把文件写到了错误位置。

这个案例来自基元律动（TokenRhythm）发布的技术报告。公司联合无问芯穹、清华大学、北京大学、阿里巴巴等机构，推出首个 Agent-Native 模型 NeoHorse-1，包含 4B 和 9B 两个版本。思路很直接：把 Agent 使用工具、接收反馈、修正错误的经验，转化为模型自身的能力，而不是永远靠外部的 Harness 补。

基元律动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，此前已开源 Routing Harness 系统 OpenSquilla——用于在 Agent 执行任务时选择和组织不同模型。NeoHorse 把这条技术路线从「执行期」延伸到了「训练期」。

专业分析

语料：执行轨迹，而不是网页文本

NeoHorse 训练语料的核心，是 OpenSquilla 等 Routing Harness 在执行任务时留下的轨迹——每条轨迹完整保留能力需求预测、路由选择、模型响应、工具调用和环境反馈五个环节。这些轨迹先过完整性检查，再按目标完成度、证据一致性、错误恢复等维度做质量评估，才进入后训练。与「网上抄一堆代码问答」不同，这类语料自带因果结构：什么决策导致了什么结果、失败后如何恢复。

训练：路由信号排课程，在策略蒸馏收尾

团队用路由信号估计任务所需能力、安排训练顺序（相当于给模型排「先学什么、再学什么」的课程），再结合 Agent 执行监督与在策略蒸馏（On-Policy Distillation）更新模型——后者由教师模型针对学生实际生成的内容给指导，而不是对着理想答案讲空话。

评测：4B 级领跑，且改进集中在「可验证的活」

报告在 11 项覆盖 Agent 执行、工具交互、代码与指令遵循的基准上评测：NeoHorse 4B 在所列 4B 级模型里未加权平均分最高，并在五项基准上超过 Qwen3.5-9B 底座。更有信息量的结论是改进的分布——提升主要集中在流程清晰、反馈可观察、结果可验证的任务上；在复杂状态维护、长程调试与失败恢复这类任务上，更大模型仍有优势。换句话说，经验炼进权重解决的是「看得到对错」的活，留给大模型的是「没有现成对错」的活。

关联信息与影响

报告自己把这件事定义为「递归自我改进（RSI）的单轮工程验证」：Agent 执行轨迹 → 评测暴露能力短板 → 训练选择随之调整 → 模型更新 → 重新返回 Harness。把它和今天 MetaRSI-v1 的元递归框架并排看很有意思：MetaRSI 想让「改进的机制」也能被改进（对 RSI 做 RSI），NeoHorse 则是把 RSI 的单轮流程在真实国产开源模型上完整跑了一遍——一个搭脚手架，一个先砌一段墙。

基元律动此前开源 OpenSquilla（Routing Harness），NeoHorse 相当于给这个 Harness 配了「模型侧的证据」：模型学习执行中的经验后，Harness 与模型的协同改进有了可验证的起点。基于 Qwen3.5 开源底座做后训练，也让这条路径能搭在开源生态上持续迭代。

未来展望

NeoHorse 现阶段的意义更多是证明「轨迹→权重」这条路走得通，而不是终点。接下来值得看三点：一是多轮闭环——单轮注入之后，新轨迹继续回流会不会滚出更陡的曲线；二是 Harness 减负——当「会用工具」长进模型，原本塞在 Harness 里的启发式能否退场；三是更大基座的 Agent-Native 化——报告已指出更大模型在长程任务上的优势，9B 之后的路会更长。

信号强度

• Harness/工具链开发者：执行轨迹正变成一种稀缺语料，谁积累得多，谁就在模型训练端有话语权。
• 小模型用户：4B/9B 端侧部署 + Agent 经验注入，是「手机/桌面上真正会干活的 Agent」的一步推进。
• 开源社区：基于 Qwen3.5 底座 + 轨迹语料 + 后训练的全套做法公开，可复现性值得跟进验证。
• 产学研合作方：无问芯穹的算力底座、清华北大算法创新与阿里开源生态形成了一条国产协作链路。
• 普通用户：短期无感，中期这类「端侧会干活的小模型」会先出现在本地自动化场景里。

信息局限说明：本文依据基元律动技术报告与雷峰网报道整理；评测基准、轨迹质量评估细节以报告原文为准，实验结论尚未经第三方独立复现。创始团队背景来自公开报道。