真没想到，AI 圈又杀出来一匹黑马！

上周，我看到了海外知名 AI 研究者 AK 的一个帖子。

图源：AK 原帖

这个帖子介绍的是一个名为 NeoHorse-1 的开源模型，主打通过后训练与路由框架，探索通往递归自我改进（Recursive Self-Improvement，简称 RSI）的工程路径。

看到后训练和 RSI 这两个在大模型前沿极其抢眼的热词，我下意识以为这又是哪家顶尖基础模型大厂（如 OpenAI、Anthropic、阿里、智谱等）或高校实验室在展示前沿成果。但点开 ArXiv 上的技术报告看到作者团队时，说实话我是有点困惑的。

这个模型背后的主导者，居然是基元律动（TokenRhythm）。

基元律动？这不是一个搞开源、搞多模型聚合路由 API 的厂商么。

他们有一个很出名的 Agent 运行框架，就是 OpenSquilla ，也叫做皮皮虾，就是这个

这个 GitHub 项目已经有 7k star 了，确实很火，而且 Issue 和 PR 也非常多，社区很活跃。

除此之外，这个厂商还搞了一个多模型聚合路由 API ，TokenRhythm API 。

这立刻引发了我的好奇：一家做中间层路由调度、帮开发者省 Token 账单的中间件公司，不好好做工具，怎么自己挽起袖子下场训模型了？

而且上来一发不可收拾的直接搞 RSI 去了？这可是一个 Agent-Native 的模型啊。

带着这种类似反直觉的疑问，我通读了他们的技术报告，发现背后隐藏着一套极具启发性的技术与商业逻辑闭环。

下面就跟大家聊聊这事儿。

后训练与 RSI

我觉得要理解这件事情的起因经过结果升华：），得先从后训练和 RSI 来说起。

在行业早期内，大家都认为一个超级大模型能够上下通吃，多场景吞并。但现实是全球模型持续赛马，各自在代码、数学推理、中文语境、超长上下文或推理成本上各有所长，我觉得百花齐放这个词用到这里还挺搭的。

在真实的 Agent 任务中，一个复合型任务有可能会串联调度多个模型，模型之间的账单成本根本不一样，比如刚上线的 GPT-6 Astra，你会拿他来做测试吗？之前 A 社还单独发了一篇文章就在说，Opus 负责规划，Sonnet 负责执行，Haiku 负责做测试验证。

根据基元律动提供的平台账单统计，最贵、最顶级的模型往往只承担了大约 10% 的核心复杂决策，却消耗了 75% 以上的 Token 账单预算。

Token 账单在成为显性刺客。

而且大模型的进化也在迅速加快，从最初的 Chat （一问一答式） -> Reasoning（思维推理）-> Coding（执行验证反馈）-> Agent（多步规划、多工具交互、反馈）。

当公开网络上的高质量人类语料基本被预训练吃干抹净后，行业的胜负手已经转移到了后训练（Post-Training） ，以及更长远的目标递归自我改进（RSI）。

RSI 描绘的是一个极其诱人的图景：AI 系统能够观测自身执行任务的表现，并将这些经验反馈转化为下一轮自我升级的依据，让每一代模型助力下一代模型的生成，把原本孤立的训练转变为复利增长。

写到这里我停下来想了一个问题：这种迭代式增长，和斐波那契数列是一样的吗？

想了想，还是不一样。斐波那契是一场纯粹的数学游戏：每一项由前两项机械相加，规则一旦给定，数列就无条件地滚下去，中间没有任何质量把关。而 RSI 式的增长更像复利：每一轮的「本金」是上一轮沉淀下来的执行轨迹，但这些本金必须先经过评测与筛选这道「风控」，确认哪些经验真的值得学，才允许进入下一轮。所以这种增长能不能滚起来，关键在于每一轮的评测和筛选是否可靠。

RSI 最大的工程难点在于：模型无法在真空里自我进化，它必须在一个具备真实交互和严密反馈的环境中历练。

当 Agent 在编写代码、排查系统故障或处理数据时，它在环境中所做出的每一次决策、工具调用、报错以及最后的修复，都会留下一串结构化的记录，也就是所谓的交互轨迹（Trajectory）。

这些 Trajectory 并不是静态的问答语料，它记录了模型完整的纠偏和进化能力的过程，包括如何尝试、碰壁、调整并解决最终问题的。

而掌握这些 Trajectory 的，就是大家所熟知的驭马工程（Harness）。

Harness 是如何把执行反馈变成训练数据的？

所谓的驭马工程（Harness），你可以理解成 Agent Runtime 外面的执行层：它管理着模型的上下文、可用工具集、外部环境反馈以及多轮会话状态。

当 Harness 引入了 **Agentic Routing（智能路由）**机制后，它不仅能根据任务复杂度将请求分发给最合适、最经济的模型，还能完整记录下任务在不同阶段的模型调用轨迹与执行成败。

在基元律动的技术报告中给出的系统架构，也极其生动地展示了这一闭环：

图源：NeoHorse-1 技术报告

仔细拆解上图，整个系统实际上构成了 Data-RSI（数据飞轮） 与 Model-RSI（模型飞轮） 的协同双环：

环境与轨迹收集（Routing Harness）：面对外部多样化的任务（Diverse tasks），Routing Harness 通过智能路由器（Router）在异构模型池（Model pool）中分派任务并执行，完整沉淀出包含工具调用与环境交互的原始轨迹数据。
能力反馈与数据筛选（Capability Feedback -> Training Mixture）：执行记录并不等于训练样本。系统通过自动化评测模块，时刻监控模型当前能力的短板。评测反馈会动态调整下一轮训练的数据配比（Training mixture），确保模型缺什么补什么。
针对性智能体训练（Agentic Training）：有了高质量轨迹和筛选后的数据配比，系统采用三阶段训练机制：
Agent 执行监督（Agentic Supervision）：学习严谨的推理步骤、工具调用格式与错误恢复；
路由课程学习（Routing Curriculum）：将路由系统的复杂度分级（如 C0--C3）作为课程表，由易到难逐步增加学习难度；
路由引导的在策略蒸馏（Routing-guided On-Policy Distillation, OPD）：让小模型实际生成行动路径，再由更强的模型针对其生成过程提供即时纠偏与指导。
模型回流与下一轮迭代（Next Iteration） ：按照这套设计，完成训练后的 NeoHorse-1 可以重新部署回模型池（Model pool），在 Harness 的调度下承接实际任务，为下一轮观测和改进提供新数据。

技术报告里有个项目排期案例，特别适合解释这事。

Qwen3.5-4B 找到了工作目录里的相关文件，却漏读了一封包含最新依赖关系的经理邮件。结果它拿着过期信息做排期，生成了一份无效计划，连文件都放错了位置。

NeoHorse-1-4B 却继续找到这封邮件，识别更新后的依赖关系，重新计算并验证排期，最后把文件存到要求的路径。两个模型最后都会回复，差别在于有没有把事情真的做完。

图源：NeoHorse-1 技术报告 5.1 节

NeoHorse-1 的技术报告里最硬核的地方，我觉得是它对 Trajectory 的处理规范：

图源：NeoHorse-1 技术报告

如上图所示，每一条复杂的长程 Trajectory，首先会被切分为拥有局部目标的子场景（Subscene Si），再从 场景（SCENE） 、目标（GOAL） 和 结果（OUTCOME） 三个角度描述任务本身：

1. 场景维度（SCENE）

Task（任务类型）：区分是信息检索（Information retrieval）、分析诊断（Analysis / diagnosis）还是软件工程（Software engineering）；
Domain（业务领域）：标注知识工作（Knowledge work）、软件代码（Software）还是金融计算（Finance）；
Use context（使用场景）：工作生产（Work）、学术研究（Schoolwork）还是个人生活（Personal）；
Asking / Doing（交互性质）：严格区分是普通的咨询问答（Information seeking）、实际执行系统操作（Execution），还是最终产出具体交付制品（Artifact production）。

2. 目标维度（GOAL）

Acceptance（验收标准）：从正确性（Correctness）、完整性（Completeness）到格式规范（Format compliance）多重验证；
Cross-turn relation（跨轮次关系）：判断当前轮次是开启了全新任务（New）、延续此前进度（Continued），还是用户根据中间结果调整了需求（Modified）。

3. 结果维度（OUTCOME）

Verifiable result（可验证产物）：是否有确切的产物生成（Artifact produced）、系统状态是否发生改变（State change）、是否有充分的事实证据（Evidence available）；
Goal satisfaction（目标达成判定）：严格给出最终布尔值（True / False）。

这三个角度描述「用户要做什么、想做到什么、最后拿到了什么」。轨迹质量则另外看六个维度：目标达成、指令遵循、工具使用、证据一致性、错误恢复和正常终止。

这一设计的精髓在于把任务完成（Completed）与质量达标（Satisfied）严格区分开来。 很多时候 Agent 以为自己回复了就是完成了，但只有质量评估达标、结果也能验证的轨迹，才有资格进入训练集。

4B/9B 小模型的跑分越级表现

基元律动这次开源的 NeoHorse-1 采用了 Qwen3.5 作为初始化底座，发布了 4B 与 9B 两个主流小模型规格。

目前 4B、9B、GGUF 量化版和 Apple Silicon 可用的 MLX 版本都已经放出来了，采用 Apache 2.0 协议，原生上下文长度为 262,144。模型可以在 Hugging Face 和魔搭社区下载，部署方式与完整评测也放在了 GitHub 上，相关链接见文末。

在涵盖智能体框架交互、指令遵循、代码编写、复杂工具调用等 10 项基准测试中，其官方自测表现如下：

图源：NeoHorse-1 技术报告

从具体的各项智能体基准对比中，可以看到几个非常显著的特征：

4B 赛道（4B Track） ：在后训练加持下，NeoHorse-1-4B 的综合平均分从底座的 58.94 跃升至 64.87（+5.93）。10 项评测全部高于原始的 Qwen3.5-4B，在 τ²-Bench 复杂工具交互上拿到了 88.46，在 PinchBench 上也达到了 77.33。按这组官方评测的平均分，它在 4B 同尺寸对比中最高，也已经逼近未经后训练的 9B 基座水平。
9B 赛道（9B Track） ： NeoHorse-1-9B 的综合平均分从 65.60 提升到 69.04（+3.44），多数项目都有提升。不过 LiveCodeBench 和 IFBench 与底座持平，IFEval 还低了 0.37 分。它的提升更集中在长程工具调度、执行与容错这些 Agent 任务上。
真实轨迹 vs 合成数据 ：技术报告中还有一个关键对比：在相同底座、课程表、优化器、随机种子和评测协议下，使用 Harness 沉淀轨迹训练的模型，在 5 项可比评测上比使用公开合成工具数据集 Toucan 平均高出了 6.26 分。至少在这组配置和这 5 项测试里，经过筛选的真实执行轨迹更有效。

当然，技术团队在报告中写得挺克制：对于极端复杂的跨文件架构重构、长程状态保持任务，4B 小模型仍有自身上限，仍然需要路由调度到更强大的前沿大模型，但这恰恰是 Harness 存在和协同调度的意义所在。

我在想这是哪个团队做的事情？直到我翻到技术报告的最后我才懂了。

图源：NeoHorse-1 技术报告附录 A

无问芯穹官方披露的说法是：NeoHorse-1 由基元律动与无问芯穹联合发布，无问芯穹提供大模型基础设施支持，清华大学、北京大学团队参与算法和训练方法研究。技术报告附录列出的作者机构还包括香港中文大学、阿里巴巴集团等。

怪不得。

最后的思考

回到我们最初的疑问：一家做 API 和 Harness 调度工具的公司，为什么下场训模型？

看完 NeoHorse-1，答案已经非常清晰了。基元律动其实是在用一个模型，串联起了一套极为严密的商业与技术飞轮：

OpenSquilla 负责把 Agent 任务跑起来，TokenRhythm API 负责在不同模型之间做调度。而 Harness 每跑完一个任务，其实都是一层反馈信号：这一步路由给了谁、工具调用、失败之后如何回复、结果有没有验证。这些信号经过结构校验、质量评估和筛选之后，才成为 NeoHorse-1 后训练的教材；训练好的模型再回到模型池里，去承接下一批任务。

技术路线上，NeoHorse-1 跑通了面向 RSI 的一次单轮工程验证。尽管从严格意义上讲，目前的奖励信号设计、数据配比与训练流程仍需工程师人工干预，尚未达到全自动、无人干预的终极自进化形态，但这无疑迈出了极具实践价值的一步。