王云鹤创业后首次公布大模型成果
王云鹤创业后，首次交出了大模型成果。
量子位获悉，华为诺亚方舟实验室前主任、盘古大模型负责人王云鹤创办的基元律动，发布了首个 Agent-Native 模型 NeoHorse。该模型由无问芯穹提供底层基础设施支撑与 Infra 优化技术能力，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 工作过程中需要的一组能力，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 Post-Training 后，4B 模型综合表现已经达到或略超 9B 基础模型。
一家强调多模型协作的公司，为何开始训练模型
长期以来，分数往往是比较模型的主要依据。但当模型被放进 Agent 系统、承担完整任务后，单一分数的解释力会下降。
一项任务里，模型不仅要给出一个看似合理的答案，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不一样。
基于这一观察，基元律动团队形成了一个判断：模型不归一将是 AI 产业长期存在的一种结构。模型越多、分工越细，价格和能力差异越明显，就越需要一套系统回答几个问题：这一步应该用哪个模型，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该换谁接手，多个模型能否并行给出方案，再把结果聚合起来。
王云鹤团队把这一层系统称为 Routing Harness。旗下相关开源项目 OpenSquilla 已经接入多款模型，通过统一接口，在 Agent 运行过程中进行细粒度路由、模型切换和多模型协作。
按照这一路径，基元律动原本似乎没有太强的理由自己训练模型。市场上已经有足够丰富的模型供给，按需调用看起来更加灵活。
但随着调度系统持续运行，另一类资产开始沉淀，例如「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提升路由判断，另一方面也开始具备训练价值。
文中把这一过程类比为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，既可以帮助商品找到更合适的用户，也可以进一步反馈给产品研发。平台服务市场的过程，由此变成下一轮产品改进的数据来源。
NeoHorse 承担的角色，就是把基元律动过去在 Harness 中积累的一部分执行经验，转化成模型能力。
把多模型执行路径练进 Agent-Native 模型
NeoHorse 的数据来源，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 Harness 里完成一次任务，会留下完整执行记录：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。
常见问答数据通常集中在「问题」和「答案」两端，而 Routing Harness 的数据中还包含另外几层信息：任务需要什么能力，系统做出了什么执行决策，以及环境最终给出了什么反馈。
比如，路由器最初判断某项任务只需要普通模型，但执行过程中连续失败，随后升级到能力更强的模型，任务才被完成。这条轨迹包含的信息远多于一次失败。系统可以知道，最初的能力判断可能偏低，模型在哪一步出现问题，更强模型采用了怎样的策略，哪条执行路径最终通过环境验证，以及完成任务额外消耗了多少 Token 和时间。
更关键的是，基元律动观察到的不是某个模型对自身能力的判断，而是多个模型面对相似任务时留下的横向表现。其中既有成功路径，也有中途失败、随后被其他模型接手的执行记录。
从训练角度看，失败轨迹甚至可能提供更多信息。最终答案能够告诉模型一条可行路径，失败与修复过程则补充另外两类知识：哪里容易出错，以及出错以后如何调整。
文中提到，NeoHorse 学习的「除了多个模型给出的结果，还有多个模型在任务环境中实际走过的路径」，这也是它较有辨识度的一点。
Agent 日志如何转化为模型能力
把所有日志直接投入训练，并不会自然得到一个更强的 Agent 模型。Agent 轨迹通常很长，里面混有系统提示、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。有些步骤具有训练价值，有些更接近噪声，还有一些轨迹流程完整，结果本身却并不正确。
基元律动首先要解决的是「哪些数据值得模型学习」。根据技术报告，每条轨迹都会经过结构检查，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，包括是否完成用户目标、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时机终止任务。
这里还涉及 Agent 训练中容易混在一起的问题。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了，不能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。
在数据完成筛选后，路由信号开始发挥另一项作用。路由器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，再逐渐增加更加复杂的执行轨迹，同时保留基础任务覆盖。
这一方法被称为 Routing-Guided Curriculum，也就是路由引导的课程学习。直白一点说，路由信号在线上决定任务交给谁，在训练阶段还可以告诉模型哪些任务适合先学，哪些适合后学。
除了常规监督微调，NeoHorse 还使用了 On-Policy Distillation。文中将其解释为，先让学生按照自己的方式解题，再由老师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，而不是预先准备的一套标准错误。
经过这些环节，多模型长期执行任务积累下来的经验，被用于 NeoHorse 的后训练。
后训练带来了什么提升
从当前技术报告给出的结果看，Agentic Post-Training 在 4B 和 9B 两个尺度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，SOTA 并不意味着能力是均匀铺开的。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。
文中给出的例子是一个项目排期任务。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，结果按已经过期的信息生成计划，并把文件写到了错误位置。经过后训练的模型则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。
两者差异体现在 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，怎样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；难度继续上升后，再交给模型池中能力更强的模型。
这也衔接了 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。
OpenSquilla、TokenRhythm API、企业服务与 NeoHorse 的层次关系
随着 NeoHorse 发布，基元律动几条产品线之间的关系也变得更清晰。
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」。它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，也因此形成进一步的商业空间。
第四层才是 NeoHorse。它首先验证了一项关键连接：Harness 执行过程中产生的有效经验，经过筛选和训练后，确实有机会被转化成模型自身能力。
文中认为，这让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，也带来了优化推理成本的可能。
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，平台就多了一种可以自主调度的能力供给。这些任务可以优化推理成本、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扩大的空间。
从这个角度看，基元律动想做的事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，Harness 负责组织执行；执行过程中形成的经验，再进入下一轮模型改进。
从 API 聚合平台走向模型能力沉淀
文中给出的业务循环是：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 组织执行并积累路由与任务轨迹，可用轨迹经过筛选后用于模型训练，更新后的模型返回 Harness 参与任务适配，改善任务体验并探索更好的响应速度与成本效率，进而推动持续使用、付费与经营效率提升，再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，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；路由判断更准确后，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，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，最后通过产品表现呈现出来。
NeoHorse 与 RSI 之间的距离
这也是基元律动开始谈论 RSI（Recursive Self-Improvement，递归自我改进）的背景。
基元律动目前验证的 RSI 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 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 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，按照 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，多代模型迭代后能否继续稳定获得增益，也需要更多实验确认。
因此，文中给出的更准确表述是，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。
仍待观察的几道关口
文中也提到，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，多轮模型迭代后，能力增益还能持续多久。
这些问题都需要更长时间观察。
同时，还有一个绕不开的变量：DeepSeek、Qwen、MiniMax 等模型厂商也在向 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、越来越便宜时，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。
文中最后写道，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
本文来自微信公众号「量子位」，作者：衡宇。