NeoHorse-1.5-Flash 的 “第二圈”Agent 涨 9.23 分，总参数有 180B 与 125B 两说

这条公司名和模型名都比较新，我先核实首发来源和 RSI 的具体含义。

核到了一个明显冲突：官方模型页写 180B 总参，两家科技媒体写 125B，激活参数倒是都写 6B。

基元律动（TokenRhythm）11 月上旬发布 Agent 原生模型 NeoHorse-1.5-Flash Preview，基于 Qwen3.8-Flash 做递归自我改进（RSI）训练，目前限量内测。成绩账面是清楚的：相较基座，Agents’ Last Exam（ALE）整体从 41.20 分提到 50.43 分、涨 9.23 分；Natural Language to Repository（N2R，自然语言生成代码仓库）整体从 44.24 分提到 50.16 分、涨 5.92 分。但读这条新闻有三处要注意：第一，参数口径有两个版本 —— 官方模型页与新华网、澎湃、新京报写的都是 “180B 总参、激活 6B”，智东西与 Z Finance 写的是 “1250 亿（125B）总参、激活 60 亿”，激活参数两边一致（6B 即 60 亿），总参数差了一大截；第二，涨分不是全维度上涨，计算与数学一栏反而从 59.51 分掉到 52.96 分、降约 11.0%；第三，所有评测与演示案例都来自厂商单方公布，没有第三方复现，适合当线索看，不宜直接当行业结论。至于 “第二圈” 到底新在哪：上一代 NeoHorse-1（4B、9B）被重新放回模型池继续接真实任务，产生的执行记录被拿来训练下一代，这才是这次真正的动作。

一、参数先对齐：两个数字并存

项目	官方模型页 / 新华网 / 澎湃 / 新京报	智东西 / Z Finance
总参数	180B	125B（1250 亿）
激活参数	6B	6B（60 亿）
基座	Qwen3.8-Flash	Qwen3.8-Flash
形态	Agent 原生模型，限量内测	同

激活参数两边完全一致，说明 MoE 结构这个判断没问题；总参数则出现 180B 与 125B 的差异。引用时建议标注 “官方页面为 180B”，并说明另有 125B 口径流传。

二、涨了多少：两张表

Agents’ Last Exam（ALE，高难度 Agent 任务）

维度	基座 Qwen3.8-Flash	NeoHorse-1.5-Flash Preview	变化
整体	41.20	50.43	+9.23 分（约 +22.4%）
物理科学	—	—	+20.35 分
工程	—	—	+13.48 分
医疗健康	—	—	+10.45 分
其他领域	—	—	+14.13 分
计算与数学	59.51	52.96	−6.55 分（约 −11.0%）

Natural Language to Repository（N2R，自然语言到代码仓库）

维度	基座	新版	变化
整体	44.24	50.16	+5.92 分（约 +13.4%）
安全认证与加密	35.68	48.39	+12.71 分
Web 开发与内容获取	51.19	61.76	+10.56 分
开发工具与测试	34.92	44.66	+9.74 分
通用编程、文本处理、系统自动化、数据分析	—	—	+3.6 至 +5.4 分

有一点媒体标题没有重点提：计算与数学是唯一明显下滑的维度。对一个主打 “复杂任务执行” 的 Agent 模型来说，这条下降值得留意 —— 它可能意味着后训练把能力往 “环境交互、工具调用” 方向偏移了，代价是纯推理型任务。

三、“第二圈” 到底转了什么

上一代的做法（第一圈）：Routing Harness 给每个任务预估能力需求，顺手组织成三阶段课程，省去人工配比数据。结果是 4B 从 58.94 提到 64.87（+5.93）、9B 从 65.60 提到 69.04（+3.44）；同一配方下，Harness 积累的真实经验比公开 Agent 数据集平均高 6.26 分，在 τ²-Bench 上高 11.31 分。

这一代的做法（第二圈）：把 NeoHorse-1 重新放回模型池，让它继续在真实任务里跑，收上来的执行记录用于训练 NeoHorse-1.5。差别在于 —— 第一圈是 “用机制产出课程”，第二圈是 “用上一代模型的真实轨迹产出训练材料”，并且代际尺度从 4B/9B 直接拉到 Flash 档位。

四、三项技术，对三座山

卡点	具体问题	对应技术
自我诊断盲区（验证环节）	办公、GUI、浏览器这类任务没有非黑即白的标准答案，用 LLM 当裁判容易被 reward hacking 绕过去，自己给自己打分不知道往哪进化	多模型差分诊断：多模型并行做同一任务 + 融合结果，NeoHorse 与融合结果逐任务比差，形成动态 “能力缺陷画像”，据此定训练重点
分布坍缩（任务来源）	公开 Agent 数据集同质化，闭门自己出题会 model collapse；单纯蒸馏强模型上限锁死在老师之下	对抗式环境进化引擎：一个种子环境拆成多个候选，按 “模型能不能做、认不认得” 筛掉太简单太熟的；配 “数字镜像交互体” 模拟用户追问、改需求、反悔
迭代效率（训练流程）	每轮都要重建环境、大规模合成、全量评测、离线重训，几个月过去需求和基座都变了	群体智能在线学习：把自身作答与多模型融合结果的差异当逐任务教师信号，on-policy 在线更新；沿用路由引导课程学习；训练 Infra 侧让 AI 自动改写调优算子、多 AI 分工值守集群

三项技术共用一个信号源 ——TokenRhythm × OpenSquilla 的路由课程信号与多模型融合的 “群体差分”。这套组合拳高度依赖它的多模型路由生态位，这也是它和大厂单模型路线的根本分野。

五、四个演示案例（均为厂商自测）

案例	NeoHorse-1.5	对照 Qwen3.8-Flash-Next	考察点
量子物理频谱计算	100 分，最高响应 6.2015，通过三层检查	0 分，8000 个采样点全为零，摘要与数组不一致	结合执行结果修正程序
ABB 机器人三维装配	100 分，零位下末端与参考位置重合，工具方向误差 <0.001°	53.36 分，末端偏离 1.316 米，工具方向差 90°	参数校准与逐件核对
聚类相关矩阵页面	保留图表结构、聚类分组、配色与动效	部分元素未渲染、动效不完整	视觉还原
公式计算与表格交互	计算正确，功能与交互完整	计算结果出错	功能正确性

对照模型在两处 “全零”“偏 1.3 米” 的失败幅度很大，这类演示的说服力取决于评测脚本是否公平 —— 厂商单方提供，无法复核。

六、这家公司和它在生态里的位置

项目	信息
全称	基元律动（TokenRhythm），北京，成立于 2026 年 4 月
创始人 / CEO	王云鹤，前华为诺亚方舟实验室主任、盘古大模型负责人
联合创始人 / CTO	韩凯，前华为诺亚方舟实验室首席研究员
技术底色	二人共同参与 GhostNet、GhostNetV2，论文见于 CVPR 2020 与 NeurIPS 2022
产品线	OpenSquilla（开源 Agent 框架，2026 年 5 月首个公开预览版）、TokenRhythm API（8 月 27 日公测）、NeoHorse 模型家族
融资	8 月天使轮由弘晖基金领投，聚合资本、尚势资本参与；种子轮 Granite Asia 领投，鼎晖 VGC、元璟资本、无限基金参与；截至披露累计融资数千万美元
论文	《NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness》，arXiv，2026-09-08

发布翌日还更新了 OpenSquilla：按任务意图选模型档位，继续任务沿用原档位、重做时逐级升档；支持独立更新 TokenRhythm 与 OpenRouter 推荐方案，用户不升级客户端也能预览差异再确认。

七、这算不算真的 RSI：三个折扣

教师是外部的。所谓 “自我改进”，学习信号来自其他前沿模型的融合结果，不是模型自己评判自己。它解决的是 “不知道自己不知道什么”，但严格意义上仍属 “群体蒸馏 + 课程学习”，闭环转在数据与环境这一侧，不在能力自评这一侧。
分数是厂商的。ALE、N2R 的基座对照、四个案例的评分脚本全部由厂商提供，没有第三方复现，也没看到公开榜单交叉验证。Z Finance 自己也提示 “适合当线索看”。
尺度换了，比较基准也换了。4B/9B 时期的涨幅是 “同尺寸比”，这次是 180B（或 125B）档位跟 Qwen3.8-Flash 基座比 —— 同一个 “提升 X 分” 在不同参数量级上的含义并不相同。

同赛道还有别人在跑：10 月 18 日美国创企 Recursive 发布本地编程模型 Flint，由自动化研究系统参与数据、训练方案与推理优化；同期国内超衍智能开源 Apex-35B-V1.0，也把 AI 用于数据构造、实验设计与训练优化。RSI 已经从论文概念变成多家创企的具体工程路径。

八、值得继续盯的三件事

两个参数口径哪个是真的。等官方技术报告或模型卡明确 180B/125B，这直接影响 “同量级性价比” 的定位是否成立。
计算与数学的下滑会不会扩散。如果后训练持续往交互能力倾斜，纯推理任务掉分可能不是个案。
内测之后的真实交付率。案例分数再漂亮，Agent 的商业价值在于长链路任务成功率与 Token 成本 —— 按官方定价参考，NeoHorse-1 9B 输入 ¥0.60、输出 ¥1.00 每百万 Token，Qwen3.8-Flash 为输入 ¥0.80、输出 ¥2.70，价差本身就是它想打的牌。

结论：NeoHorse-1.5-Flash 的 “第二圈” 不是把第一圈重跑一遍，而是第一次把上一代模型当数据生产者放回真实任务环里 —— 这一步在工程上确实往前走了一格。但涨分全是厂商自测、总参数有 180B 与 125B 两个版本、计算与数学还倒退 11%，所以更准确的说法是：机制跑通了第二圈，成绩单还没被第三方验过。

【相关 FAQ】

问题 1：NeoHorse-1.5-Flash Preview 的总参数到底是多少？

回答 1：官方模型页与新华网、澎湃、新京报的口径是 180B 总参、激活 6B；智东西与 Z Finance 报道为 125B（1250 亿）总参、激活 6B（60 亿）。激活参数两边一致，总参数存在两个版本，建议以官方模型页的 180B 为准，同时注明 125B 口径并存。

问题 2：NeoHorse-1.5-Flash 的 RSI “第二圈” 指什么？

回答 2：指把上一代 NeoHorse-1（4B、9B）重新放回模型池、继续在真实任务中执行并收集反馈，再用这些执行经验训练 NeoHorse-1.5-Flash。第一圈验证的是 “Routing Harness 本身可作为自我改进机制”，第二圈验证的是这套机制能连续转下去，并把训练尺度从 4B/9B 拉到 Flash 档位。

问题 3：NeoHorse-1.5-Flash 相比基座提升了多少分？

回答 3：Agents’ Last Exam 整体从 41.20 提到 50.43，涨 9.23 分（约 +22.4%），其中物理科学、工程、医疗健康分别提升约 20.35、13.48、10.45 分；Natural Language to Repository 整体从 44.24 提到 50.16，涨 5.92 分（约 +13.4%），安全认证与加密、Web 开发与内容获取、开发工具与测试分别提升 12.71、10.56、9.74 分。但计算与数学一栏从 59.51 降至 52.96，降约 11.0%。

问题 4：NeoHorse-1.5-Flash 的评测数据可信吗？

回答 4：目前只有厂商单方公布，没有第三方复现或公开榜单交叉验证，四个演示案例的评分脚本也由厂商提供，属 “厂商自测” 性质，适合当能力线索看。另有两点需注意：训练尺度与基座的参数量级不同，“提升 X 分” 在不同量级上的含义不同；其学习信号来自多模型融合结果而非自我评判，严格说更接近群体蒸馏加课程学习。

【参考资料】

[2026-11-10]（基元律动发布 NeoHorse-1.5-Flash Preview，Agent 模型 RSI 进入第二轮迭代）新华网

[2026-11-09]（基元律动发布 Agent 原生模型探索自我改进）新京报贝壳财经

[2026-11-09]（基元律动发布 NeoHorse-1.5-Flash Preview，Agent 模型 RSI 进入第二轮迭代）澎湃新闻

[2026-11-06]（当 Agent 的飞轮转进第二圈：基元律动与它的「进化机器」）Z Finance

[2026-11-05]（前华为盘古负责人王云鹤，创业做 RSI，掏出 1250 亿参数智能体大模型）智东西

[2026-11-04]（模型与价格）基元律动官方模型页

【免责声明】

本文所引的 ALE、N2R 分数及四个演示案例结果，均出自基元律动单方公布的对照评测与官方材料，未经第三方复现，不同评测集版本、提示词与打分脚本可能带来差异，不应直接作为行业横评结论引用。总参数存在官方 180B 与媒体 125B 两个口径，激活参数一致为 6B，最终以官方技术报告或模型卡为准。文中对 “RSI” 性质的分析（学习信号来自多模型融合结果而非自我评判）属基于公开信息的机制判断，非公司官方定性。公司融资、团队履历与产品线信息来自公开报道与官网，融资轮次与金额可能随正式披露调整；模型定价取自官方模型页，内测阶段可能变动。本文不构成投资建议，也不构成对任何模型性能的推荐，选择模型请以自身任务实测为准。

本文来自作者[岱舟知品]投稿，不代表环球品牌网立场，如若转载，请注明出处：https://www.865171.cn/qyzx/202611/29.html