摘要：基元律动联合无问芯穹、清华、北大、阿里等机构发布首个Agent-Native模型NeoHorse-1。它解决了一个行业长期忽视的问题：Agent在真实任务中积累的执行经验，几乎从不进入模型参数。NeoHorse-1把Routing Harness产生的结构化执行轨迹用于后训练，结果是4B模型在五项基准上超过Qwen3.5-9B底座，9B版本τ²-Bench达到90.82，超过30B规模的Muse Glimmer。
一、Agent最大的浪费：经验从不进入参数
今天大多数Agent系统里，模型在真实环境中执行任务、调用工具、踩坑、纠错、最终完成，但这一切经验几乎从不进入模型参数。经验停留在日志里，模型下一次遇到相似任务，依旧可能踩一遍同样的坑。
技术报告记录了一个典型案例：一个4B基础模型在项目排期任务中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，基于过时信息生成计划，把文件写到了错误位置。模型不是不会写代码，不是读不懂中文，它缺的是“做事的过程感”——什么时候该先扩大信息搜索范围、工具返回什么算异常、发现自己基于过时假设之后该怎么回头。这些能力在教科书式的指令-响应对里几乎不会出现，因为它们不是知识，是执行策略。
NeoHorse-1的核心贡献，就是把这条经验从日志里捞出来，压进参数里。
二、数据变了：不是“题和答案”，是“做事的过程”
传统后训练依赖问答对和教科书式习题。NeoHorse-1的训练语料以Routing Harness产生的结构化轨迹为核心，记录的是任务请求、能力需求评估、路由选择、模型响应、工具调用、环境反馈、错误与恢复路径、最终完成状态。
一条完整的轨迹包含：任务需要什么能力、系统做出了什么执行决策、环境最终给出了什么反馈、走错了如何回头、什么时候该升级到更强的模型。数据规模在10⁵到10⁶条轨迹量级，并混入公开的指令、推理、工具使用、代码、偏好数据来拓宽能力覆盖。
每条轨迹经过结构检查和六维语义评估（目标完成、指令遵循、工具使用合理性、证据支撑、错误恢复、终止时机）后才进入训练。这里既有成功经验，也有失败轨迹。最终答案只说明“怎么做对”，失败与修复过程说明“哪里容易出错、出错后如何恢复”。
三、七步闭环：从轨迹到权重的工程路径
NeoHorse-1的训练是一条完整的“数据生产-训练-评估-反馈”闭环，拆为七个可逐环检查的步骤：采集、清洗、序列化、课程排序、课程化SFT、路由引导的On-Policy蒸馏、能力引导的数据分配。
路由信号负责估计任务所需能力，把监督微调组织成三阶段课程；评估结果反过来调整下一轮训练数据配比，形成“评估-选择-更新”的正循环。
四、数据：4B打赢9B，提升集中在Agent任务
| 模型 | 宏平均分（后训练前→后） | 关键亮点 |
|---|---|---|
| NeoHorse-1-4B | 58.94 → 64.87 | 五项基准超过Qwen3.5-9B底座；τ²-Bench 88.46 |
| NeoHorse-1-9B | 65.60 → 69.04 | τ²-Bench 90.82，BFCL v4 67.43 |
在工具调用和多轮交互最集中的τ²-Bench上，NeoHorse-1-9B拿到90.82分，同场Qwen3.5为88.04分，30B的Muse Glimmer只有76.64分。十项基准算总账，NeoHorse-1均分69.04分，Muse Glimmer为67.86分，Qwen3.5为65.60分——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。
4B模型在Agent任务上的表现已超过多个参数量显著更大的通用模型。但提升并非均匀分布：改善集中在流程清晰、反馈可观察、结果可验证的任务上；9B版本在复杂状态维护、长程调试和失败恢复中仍保持明显优势。
五、一个必须正视的边界
NeoHorse-1的训练数据来自Routing Harness，而Harness本身是人设计的。如果Harness的设计有偏差，训练数据就会携带这种偏差。
Agent-Native模型在“流程清晰”任务上提升最显著，恰恰说明它对“人已经梳理清楚流程”的任务效果最好——那些流程本身就不清晰的任务，仍然是它的盲区。
NeoHorse-1仍处于早期阶段。本次发布的价值不在参数规模，而在于验证了一条路径的可行性：从Agent任务中产生的数据，能够训练出服务于Agent任务的模型。
六、上手：一条命令跑起来
NeoHorse-1基于Qwen3.5后训练，兼容vLLM、SGLang、Transformers等主流推理框架，Apache 2.0开源可商用。原生上下文262,144 tokens，可扩展至1,010,000 tokens。
bash
pip install vllm
vllm serve TokenRhythm/NeoHorse-1-4B --port 8000
4B版本消费级显卡即可运行，GGUF量化版本也已发布。9B版本同样支持vLLM一键部署。
查看原文
以上仅为核心速览。完整版包含：Routing Harness轨迹采集与六维质量评估的完整细则、七步后训练流水线的逐环拆解、三阶段课程学习与路由引导On-Policy蒸馏的代码级分析、与Qwen3.5-4B/9B及30B Muse Glimmer的完整基准对比、以及RSI双环闭环的工程边界讨论。
本文首发于微信公众号「阿Q的AI笔记」，点击下方链接阅读全文：
大模型必知必会：Agent-Native模型NeoHorse-1完全拆解
关注公众号
如果你想持续追踪Agent-Native训练范式、RSI工程实践与后训练前沿进展，欢迎关注公众号「阿Q的AI笔记」。
