90.82分对76.64分，9B参数对30B参数，工具调用榜上小模型把大模型甩开14分。这不是跑分游戏里的四舍五入误差，而是2026年9月8日开源的NeoHorse-1交出的真实答卷。这款由基元律动联合无问芯穹、清华大学、北京大学、香港中文大学与阿里巴巴共同推出的开源模型，只有4B和9B两个版本，却在十项智能体基准均分上拿到69.04分，超过同档Qwen3.5的65.60分和30B规模Muse Glimmer的67.86分。它不拼通用问答，不拼写诗写小说，它只干一件事，就是把多步骤任务从头跑到尾。本文把它的榜单差距、训练路线、上下文账本和本地部署路径全部拆开，全部给出可以直接照抄的命令和选型结论。
一、9B凭什么干翻30B：先看三张榜单的差距
先把数字摆在桌上，差距大到没法用误差解释。在工具调用和多轮交互最集中的两项上，NeoHorse-1的9B版本在tau²-Bench拿到90.82分，同场Qwen3.5是88.04分，30B的Muse Glimmer只有76.64分。在PinchBench上，NeoHorse-1是82.25分，Qwen3.5是74.55分，Muse Glimmer是71.35分。十项基准算总账，NeoHorse-1均分69.04分，Muse Glimmer是67.86分，Qwen3.5是65.60分。也就是说参数只到别人三分之一的模型，总分反而更高，工具链路上的优势更是断层。
这个结果说明智能体任务的胜负手不在参数堆料，而在训练语料是不是真实干活留下来的。通用大模型吃的语料多是网页文本和问答对，考试很强，干活容易断在第二步。NeoHorse-1吃的语料是大量真实执行轨迹，包括工具返回报错后怎么换参数重试，多轮搜索后怎么合并结论，代码跑不通时怎么看日志定位。这种语料让它在需要连打十几个工具的任务上特别稳。下面这张表把四款同场模型的公开成绩做了归拢，方便一眼看清差距到底在哪。
| 对比维度 | NeoHorse-1-9B | Qwen3.5同档 | Muse Glimmer 30B | 星火X2.5 |
|---|---|---|---|---|
| 出品方 | 基元律动联合高校与企业 | 阿里通义 | Meta | 科大讯飞 |
| 参数规模 | 9B另有4B版 | 9B档 | 30B | 4B端侧 |
| 开源协议 | Apache-2.0可商用 | 开源权重 | Apache-2.0 | 端侧开源 |
| 上下文长度 | 26万可扩至101万 | 系列最高百万级 | 13万级 | 旗舰25万级 |
| 十项基准均分 | 69.04 | 65.60 | 67.86 | 62.22 |
| 工具调用单项 | 90.82大幅领先 | 88.04紧随 | 76.64明显落后 | 77.72偏弱 |
从表中可以看出，分野主要在训练路径而非参数规模。如果你要的是写代码、调工具、跑深搜这种多步骤自动化，9B这个版本是目前开源里完成度最高的选择之一。如果你要的是通用多模态和更宽的适用面，另外两家各有长处。选型时先问自己一个问题，任务是考一句话答对，还是考十步连续做对，前者看通用榜，后者就看这张表。
二、Agent-Native到底练了什么：把完成任务本身当目标
很多模型是先练通用问答，再补一点工具调用微调，属于先学会说话再学干活。NeoHorse-1反过来，它把完成任务本身作为训练目标，官方叫法是Agent-Native后训练。核心语料是Harness产生的结构化执行轨迹，加上路由信号课程和在策略蒸馏。翻译成人话就是，模型看的不是标准答案，而是别人干活的全过程，包括走弯路、报错、换路、再跑通的全记录。
这种练法带来三个直接变化。第一是工具调用更准，参数缺了会主动补，工具报错会换种写法重试，而不是直接停下来说我不会。第二是规划更实在，会把大目标拆成小步骤，先搜资料再写代码，先跑通再优化，而不是一上来就写一大段跑不通的代码。第三是校验意识更强，中间结果会自己检查一遍，对不上就回头重跑。官方披露的训练链路里，路由信号课程负责让模型学会什么时候该搜、什么时候该算、什么时候该写，蒸馏环节把大模型跑通的长链路压缩进小参数。这也是9B能赢30B的根本原因，干活能力是练出来的，不是堆出来的。对于开发者来说，这意味着你可以用更小的显存拿到更稳的多步执行，特别适合做电脑操作、深度搜索、代码生成这类需要连续调用的场景。
三、26万到101万：上下文这笔账到底怎么算
NeoHorse-1原生支持262144 tokens上下文，可扩展至约101万。这个数字对智能体任务非常关键，因为多步骤任务的历史记录很吃上下文。一次深度搜索可能就要读几十个网页，一次代码任务可能要读整个仓库目录加报错日志，上下文小了，跑到第五步就把第一步忘了，只能反复重查。
按中文粗略折算，26万tokens大约能装下几十万汉字，或者一个中型代码仓库的核心文件加最近的执行日志，或者几十篇网页全文加模型自己的思考过程。扩展到101万之后，可以把更大规模的项目、更长的操作录屏文字版、更完整的检索结果一次性放在工作记忆里。对于企业用户来说，这种容量的直接价值是减少外挂的切片和总结流程，不用自己写复杂的记忆压缩。对于个人开发者来说，26万原生已经够跑大多数任务，101万扩展留给超长项目和批量离线任务。需要注意的是，上下文开得越大，显存和推理延迟都会涨，日常任务建议先用原生长度，遇到超大仓库和长周期调研再开扩展。下面讲部署时会给出具体的长度配置方法，照着改一个数字就行。
四、本地实测：4B版本消费级显卡能不能跑
这是大家最关心的落地问题。答案是4B版本可以在消费级显卡上运行，9B版本建议用显存更充足的多卡环境。权重已经在HuggingFace、ModelScope和GitHub三处开放，推理框架方面SGLang、vLLM、Ollama都已支持，协议是Apache-2.0，权重免费下载，没有授权费和按量调用费，成本集中在自己的显卡和算力上。因为可以在局域网内运行，请求不出内网，对数据合规要求高的团队很友好。
以ModelScope加SGLang为例，拉取和启动只需要两步。先用命令行把权重拉到本地，再用推理框架指定上下文长度启动服务。下面这段是可以直接照抄的启动示例，重点看最后两个长度参数，日常任务和超长任务改这里就行。
bash
modelscope download --model TokenRhythm/NeoHorse-1-9B --local_dir ./NeoHorse-1-9B
python -m sglang.launch_server --model-path ./NeoHorse-1-9B --context-length 262144 --host 127.0.0.1 --port 8000启动后服务就跑在本地8000端口，后续调用全部走内网。踩过的坑主要有两个，第一个是显存不足时不要硬上9B，先用4B验证流程，流程跑通再升级显卡。第二个是上下文长度不要一上来就拉满，长度翻倍显存占用涨得很快，先用26万原生长度，超长任务再按需扩展。本地部署的好处是调参自由，温度、长度、并发都可以自己控，不用看云端队列脸色。
五、三步把它塞进你的Agent：OpenAI SDK直接调本地服务
本地服务跑起来之后，接入工作量很小。因为SGLang和vLLM都兼容OpenAI接口，只需要把调用地址指向本地服务就行，原来的业务代码几乎不用改。下面这段是标准的调用写法，把地址改成本地，把模型名改成本地路径，剩下的工具定义和对话逻辑保持不变。
python
from openai import OpenAI
client = OpenAI(base_url="http://127.0.0.1:8000/v1", api_key="local-only")
resp = client.chat.completions.create(
model="NeoHorse-1-9B",
messages=[{"role": "user", "content": "把这个仓库的报错日志读完，定位根因并给出修复补丁"}],
tools=[{"type": "function", "function": {"name": "run_shell", "parameters": {"type": "object", "properties": {"cmd": {"type": "string"}}}}}],
temperature=0.2,
max_tokens=4096,
)
print(resp.choices[0].message.content)实际使用时建议把温度设低一点，多步任务求稳不求花活。工具定义保持和原来一致，搜索、抓取、代码执行、表格处理都可以按需注册。平台内置的开箱工具可以直接开，自定义工具可以对接本地文件读写、数据库查询和业务接口。Agent运行模式建议高风险业务先用规划确认模式，让模型先输出计划，人确认后再执行，低风险批量任务再开全自动。实测下来，它在工具报错后的自救能力明显强于通用模型，很多过去要人工介入改提示词的断点，现在它自己换参数就能过去。
六、和Qwen3.5们怎么选：一张场景对照表
选模型不要只看总分，要看自己的任务长什么样。下面这张表按真实场景给出建议，对号入座就行。如果你的任务是每天要跑几百次的多步骤自动化，优先看工具调用和稳定性，NeoHorse-1是首选。如果你的任务是图文混合理解和端侧常驻，另外两家各有优势。价格方面，开源权重都是免费下载，成本差在显存和运维，不在授权。
| 你的场景 | 首选 | 理由 | 配置建议 |
|---|---|---|---|
| 多工具自动化办公 | NeoHorse-1-9B | 工具调用90.82断层领先 | 本地SGLang部署，原生26万上下文 |
| 深度搜索加代码生成 | NeoHorse-1-9B | 真实轨迹训练，多轮稳 | 温度0.2，加重试和校验 |
| 消费级显卡个人玩 | NeoHorse-1-4B | 单卡可跑流程完整 | 先用4B验证再升级9B |
| 原生多模态图文视频 | Qwen系同档 | 多模态底座更宽 | 按官方多模态文档接 |
| 本地常驻轻量助手 | 端侧4B档 | 包体小响应快 | Ollama一键跑 |
从生态看，NeoHorse-1的SGLang、vLLM、Ollama三件套已经齐了，主流工作流都能直接插进去。对于已经有Agent框架的团队，替换成本就是改个地址和模型名，半天就能跑完回归。对于新起项目的团队，建议直接按Agent-Native思路设计，把任务拆成搜、读、算、写、验五个标准节点，每个节点配好工具和重试，模型会自己把链路跑完。
七、避坑清单：上线前先看这三件事
第一是显存规划。不要在消费级单卡上硬跑9B加101万上下文，一定会爆显存。正确姿势是4B加26万先验证业务闭环，确认任务真的需要更长记忆再加卡上9B，超长扩展只给批量离线任务开。第二是协议合规。Apache-2.0允许商用、修改和二次分发，但二次分发时必须保留原有许可和版权声明，企业发版前让法务看一眼声明文件，不要删掉。第三是别拿它去比通用问答和写诗。它是为完成任务训练的，强项是调用、规划、深搜和代码，长文本闲聊和多模态创作不是它的主战场，拿短板去比长板没有意义。
最后给一个最小落地清单，照着做半天就能上线。第一步拉权重并用SGLang起服务，第二步用上面的SDK代码调通一次真实任务，第三步把温度固定0.2并加上工具失败重试，第四步做一次断网和报错演练，看模型会不会自己换路，第五步再决定是否扩上下文和加卡。跑通之后你会发现，智能体的稳定性瓶颈很多时候不在提示词，而在模型有没有见过足够多的干活过程。这款9B小模型证明了一件事，把干活过程喂足，小参数也能把大参数拉下马。