基元律动发布NeoHorse-1.5-FlashPreview,把上一代模型放回真实任务环里跑完闭环、训出下一代,参数拉到125B。RSI从论文概念变成一台工业机器,代价是把三座大山逐个搬开。
2026年下半年,大模型预训练的算力军备竞赛渐渐退居幕后。几乎所有头部实验室都把筹码推向了同一张牌桌:Agent与RSI(递归自我改进)。
一级市场和学术界都在讲模型自我进化的故事,试图用合成数据和强化学习接力枯竭的人类语料。但行业里一个心照不宣的事实是,绝大多数所谓的自我迭代,一旦离开代码生成和数学推理这两个拥有明确验证标准的温室,进入复杂真实的业务流,很快就会演变成一场“左脚踩右脚”的刷榜游戏。
ZFinance注意到,基元律动近期正式发布了NeoHorse-1.5-FlashPreview。
两个月前的9月,这家团队曾发布过4B和9B尺寸的NeoHorse-1,并在arXiv上挂出了一篇引发不少从业者讨论的技术报告。当时他们只验证了一件事:一个部署在真实任务上的RoutingHarness,本身就可以成为模型观察自己、改进自己的机制。
仅仅两个月后,这套机制转进了第二圈。
在这次更新中,基元律动第一次把上一代模型放回真实任务环里,让它自己跑完闭环、产出下一代。模型的参数规模也直接拉升到了当前大模型最受关注的Flash档位。
在追踪并拆解完这款新模型的评测数据与底层架构后,ZFinance看到了一条不同于传统大厂的演进路径:当单一模型厂商还在为后训练的边际效应递减而焦虑时,站在多模型路由生态位上的基元律动,正试图把RSI从论文概念变成一台工业化运转的机器。
01125BFlash档位上的性价比账本与代际跃升
从公开的技术参数来看,NeoHorse-1.5-FlashPreview是一个纯粹的Agent原生模型,基于Qwen3.8Flash进行RSI进化,主模型参数125B、激活参数6B。
在最新公布的AgentLastExam(ALE)高难度榜单上,NeoHorse-1.5实现了显著的跨领域代际提升。整体平均成绩提升了9.23分。其中,物理科学任务大幅提升超过20个点,医疗健康任务提升超10个点,工程任务提升超13个点,其他领域也实现了14.13分的增长。
图1:ALE榜单各领域表现对比图
另一项更贴近软件工程落地的NaturalLanguagetoRepository(自然语言到代码仓库生成)评测,则体现了它在长链路工程上的表现。NeoHorse-1.5-FlashPreview的整体得分从基座的44.24提升至50.16(+5.92)。其中,安全认证与加密提升12.71分(35.68到48.39),Web开发与内容获取提升10.56分(51.19到61.76),开发工具与测试提升9.74分(34.92到44.66),通用编程、文本处理、系统自动化与数据分析等维度也有3.6至5.4分不等的增长。
图2:NaturalLanguagetoRepository
谈及模型定位时,基元律动团队内部有一个很明确的共识:“不追求绝对SOTA。”
他们的逻辑是在每个参数量级上把精度和性价比推到极限。这背后其实是一笔很现实的Token经济学账本。在真实的Agent工作流中,一次任务拆解、工具调用与多轮环境试错,动辄消耗数十万甚至上百万Token。如果每次常规调用都动用万亿参数的旗舰模型,绝大多数商业场景的ROI根本算不过来。125B总参数、6B激活参数的Flash档位,正好卡在推理延迟、调用成本与复杂逻辑能力的平衡点上。
这种向机制要效率的做法,在两个月前的第一圈迭代(NeoHorse-1)中就已经跑通。当时,RoutingHarness为每个任务预估的能力需求,被顺手组织成了三阶段课程,省去了人工数据配比。实验对比显示,在同一训练配方下,Harness积累的真实经验比公开Agent数据集平均高出6.26分,在$$ au^2 ext{-Bench$$上高出11.31分;4B模型均分从58.94提到64.87,9B从65.60提到69.04。
到了1.5版本,团队把NeoHorse-1放回模型池继续服务真实任务,跑完一整圈后训出了125B的下一代。不仅前期的能力增益跨尺度保留了下来,而且第二圈转得比第一圈更快了。
02实测拆解
刷榜分数只是账面数字,Agent在真实生产环境里到底好不好用,取决于它能否在长链路的工程环境里把任务真正走通。ZFinance测试了NeoHorse-1.5-FlashPreview与同量级基座模型(Qwen3.8-Flash-Next)在六个典型开源工程与业务场景下的同场实测记录。
在相同的输入和任务要求下,两款模型被置于完全一致的真实运行环境中,逐项比对从服务启动到最终业务交付的完整链路。
第一个测试场景是Web全栈开发中的经典任务——基于Flasky构建博客系统,要求走完“从首页访问到账号注册确认”的五步完整闭环(01同一起点→02打开注册页→03提交注册→04登录并确认→05看最终交付)。
图3:Flasky博客案例实测对比
在第一步“首页可用”阶段,两边都能正常返回200状态码。但打开渲染页面就能看出差异:左侧的NeoHorse-1.5给出了带深色导航栏和基础排版结构的页面,而右侧模型只吐出了没有样式的原始HTML列表。往后走到提交注册和登录确认环节,工程完整度上的差异会直接影响多步状态能否顺利流转。
第二个切片对应了榜单里涨幅最大的“安全认证与加密”领域:基于fastapi-users实现“注册、登录,再查到自己”。
图4:fastapi-users账户认证实测对比
测试要求模型使用同一个演示用户,依次跑通启动服务、注册返回201、登录返回200、以及携带凭证读取“我的账户”返回200的全流程。这不仅考察代码生成,更考察Agent对异步接口状态流转、JWT/Cookie鉴权传递以及数据库持久化的端到端把控力。
第三个场景切入“Web开发与内容获取”中的高频痛点——基于jusText的网页正文提取。
图5:jusText网页正文提取实测对比
系统向两边输入同一篇混杂着顶部导航栏、促销广告横幅、内联