NeoHorse-1 – 基元律动联合无问芯穹等开源的 Agent 模型

1. NeoHorse-1是什么

NeoHorse-1 是由基元律动（TokenRhythm）联合无问芯穹、清华大学、北京大学、香港中文大学及阿里巴巴等机构共同推出的开源 Agent 模型系列，包含 4B 与 9B 两个参数版本。该模型采用 Agent-Native 后训练范式，以 Routing Harness 的真实执行轨迹为训练数据，将路由信号复用为训练课程排序依据，构建了评测反馈、数据配比与模型更新之间的闭环机制。模型覆盖工具调用、任务规划、深度搜索与代码生成四大核心能力，9B 版本在十项基准测试中均分达 69.04，超出底座模型 3.44 分，原生支持 262,144 token 上下文窗口，支持本地化部署。

技术定位与领域： 属于自然语言处理与智能体（Agent）系统的交叉领域，专注于提升语言模型在真实执行环境中的任务完成能力。与通用对话模型不同，NeoHorse-1 的定位是作为 Agent 执行引擎，嵌入 Routing Harness 等智能体编排框架中，承担工具调用决策、任务拆解规划、多轮检索整合与代码生成调试等具体执行职能。

研发背景： 由基元律动公司牵头，联合无问芯穹、清华大学、北京大学、香港中文大学及阿里巴巴等多家高校与企业共同研发。研发动机源于当前开源模型在 Agent 场景中普遍存在的"重对话、轻执行"问题——传统后训练使用问答语料优化模型的表达能力，但对于工具调用失败恢复、多步骤任务规划等执行层面的能力提升有限。团队选择从真实执行轨迹入手，探索 Agent 原生训练路径。

核心价值： 解决了开源模型在 Agent 执行任务中可靠性不足的难题。传统模型经通用后训练后在单轮对话中表现良好，但在多轮工具调用、环境反馈处理与错误恢复等场景中频繁失效。NeoHorse-1 通过将路由器真实执行轨迹引入训练数据，让模型直接学习任务完成路径，包括失败案例中的错误识别与恢复策略，显著提升了工具调用准确率、多步规划成功率与代码生成通过率等关键执行指标。

技术特点： 核心创新在于训练数据来自 Routing Harness 真实执行的结构化轨迹，而非人工构造的问答语料，轨迹中包含请求、路由、工具调用、环境反馈与错误恢复五个要素，较传统数据增加了能力需求、执行决策与环境结果三个认知维度。同时，路由器的 C0–C3 能力分档信号被离线转化为课程排序与数据配比依据，形成自更新的训练闭环。模型原生支持 26 万 token 长上下文，并兼容 SGLang、vLLM 等主流推理框架。

2. 主要功能

• 工具调用： 模型根据任务需求自主选择并调用外部工具，完成多步骤操作。在 BFCL v4 函数调用基准测试中得分 67.43，领先对比模型 2.55 分。其底层机制是将工具选择视为序列决策问题，结合 Harness 轨迹中的真实路由信号训练，使模型理解工具的功能边界与调用条件。

• 任务规划： 将复杂任务拆解为可执行的子步骤，并进行长程规划与调度。在 QwenClawBench 基准测试中得分 48.73，该能力依托 Agent-Native 训练中对多步执行轨迹的学习，模型能够根据中间结果动态调整后续步骤，而非机械执行预定义流程。

• 深度搜索： 在多轮交互中主动检索、整合信息，支撑结论的证据链构建。模型原生支持 262,144 token 上下文窗口，可在单次任务中容纳数十轮搜索历史与返回结果，并利用长上下文优势对分散信息进行交叉验证，适用于强证据导向的调研与报告类任务。

• 代码生成： 生成可用代码并基于环境反馈调试修复，直至任务完成。在 HumanEval 基准测试中得分 98.17，超出对比模型 5.49 分。训练数据中保留失败轨迹与错误恢复记录，使模型能够识别编译错误、运行时异常等环境反馈并执行针对性修正。

• 失败轨迹学习： 训练集同时保留成功与被替换的失败记录，让模型掌握"哪里易出错、出错后如何恢复"的能力。这是 Agent-Native 训练的重要特色，使模型在真实执行环境中具备更强的容错性，而非仅在理想输入条件下表现良好。

• 超长上下文处理： 原生支持 262,144 tokens 上下文长度，在显存充足时可扩展至约 101 万 tokens。该能力适配长程 Agent 任务，如持续数小时的多轮工具交互、累积大量中间结果的调研工作流等场景。

• 多框架服务部署： 兼容 SGLang、vLLM 两大主流推理框架，并支持 OpenAI SDK 协议接入，开发者可将本地服务无缝集成至现有应用链路。同时支持 Ollama 等轻量级工具，降低个人开发者的部署门槛。

3. 如何使用

1. 环境要求： 需要 Linux 或 Windows 操作系统，GPU 显存建议不低于 16GB（4B 版本）或 24GB（9B 版本）。实际可用上下文长度取决于 GPU 显存容量，显存不足时需先降低上下文长度再部署。推荐使用 CUDA 11.8 及以上版本的 NVIDIA GPU 环境。

2. 安装下载工具： 执行 pip install -U modelscope 安装 ModelScope 命令行工具，用于从 ModelScope 平台拉取模型权重。该工具支持断点续传与多线程下载，适合大文件传输场景。

3. 下载模型： 运行 modelscope download --model TokenRhythm/NeoHorse-1-9B --local_dir ./NeoHorse-1-9B 拉取 9B 版本权重。4B 版本同理，将模型名称替换为 TokenRhythm/NeoHorse-1-4B 即可。下载完成后核对文件完整性，确保权重文件与配置目录结构一致。

4. 部署服务： 推荐使用 SGLang 启动推理服务，安装命令为 pip install "sglang==0.5.17"。启动时需配置三个关键参数：--context-length 262144 指定上下文窗口长度，--reasoning-parser qwen3 启用推理过程解析，--tool-call-parser qwen3_coder 启用工具调用解析。也可使用 vLLM 作为替代推理引擎，需自行处理相应参数映射。

5. API 调用： 服务启动后，通过 OpenAI SDK 将 base_url 指向本地服务地址（如 http://localhost:8000/v1），即可像调用 OpenAI 接口一样发送请求。该兼容层允许开发者复用现有 OpenAI SDK 代码，无需额外学习成本。

6. 最佳实践： 在 Agent 任务中建议配合 Routing Harness 或 OpenClaw 等编排框架使用，将 NeoHorse-1 作为执行模型嵌入其中，可发挥其工具调用与长程规划能力。对于资源受限的部署环境，优先选择 4B 版本，其 Agent 表现已超越多个参数量更大的通用模型。

4. 优缺点分析

5. 同类工具对比

选型建议： 若核心需求是构建高可靠性的 Agent 执行链路，如自动化工作流、多工具编排或深度研究助手，NeoHorse-1-9B 是当前开源模型中最贴合场景的选择。其真实执行轨迹训练带来的工具调用准确性（BFCL v4 67.43）与代码生成通过率（HumanEval 98.17）在同尺寸模型中表现突出。对于已有 Qwen 技术栈依赖且需保持生态兼容的开发团队，Qwen3.5-9B 作为均衡选择，但需自行解决长程任务中工具调用稳定性问题；在部署环境资源有限、主打对话式交互的轻量场景中，Qwen3-8B 或 GLM-4-9B 依然适用。

6. 编辑总结

NeoHorse-1 在开源 Agent 模型赛道中展示了差异化的技术路径选择。其核心创新在于将 Routing Harness 真实执行轨迹作为训练主要数据源，将模型优化目标从"生成符合语法与语义的文本"直接切换为"完成任务"。这一设计在基准测试中产生了可量化的性能提升：十项均分超出底座模型 3.44 分，HumanEval 得分 98.17，tau²-Bench 得分 90.82，在代码生成与多轮人机工具交互两个典型 Agent 场景中表现扎实。训练数据保留失败轨迹的决策同样具有技术合理性，模型由此学习了错误模式识别与恢复策略，这是传统问答语料难以提供的认知维度。

实用价值方面，NeoHorse-1 的原生长上下文支持 262,144 tokens 与 Apache-2.0 开源许可的双重配置，既满足了长程 Agent 任务对历史信息保留的需求，也降低了商业集成的法律门槛。SGLang 与 vLLM 的双框架兼容使部署路径相对明确，OpenAI SDK 兼容层进一步降低了 API 接入成本。适合的采用者包括：需要构建高可靠性工具调用链路的自动化平台开发者、需要长上下文深度搜索能力的研究工具建设团队、以及希望在本地环境部署 Agent 执行模型的数据敏感型机构。

展望未来，Agent-Native 训练范式仍处于早期阶段，当前迭代仅验证了单次闭环有效性，信号与奖励设计仍依赖人工设定。当递归自我改进机制完成多轮闭环验证后，模型的自主进化能力有望带来进一步提升。建议关注该项目的后续版本发布与训练细节披露，特别是六维质量评估标准与 C0–C3 分档规则的具体定义。

7. 应用场景

• 智能体任务执行： 作为 OpenClaw 等 Harness 框架中的执行模型，自动完成文件操作、软件使用等真实电脑任务，并在失败后自主恢复。在 QwenClawBench 测试中得分 48.73，高于对比模型 4.69 分，适合构建电脑操作自动化代理。

• 工具调用与 API 编排： 在多工具环境中自动选择、组合并调用外部 API，构建自动化工作流助手。BFCL v4 得分 67.43 表明其函数调用准确率较高，适用于设计需要对接多服务的企业级自动化场景，如订单处理、数据同步与系统集成。

• 深度搜索与研究助理： 多轮主动检索、交叉验证信息并附证据链，支撑带引用的调研报告生成。26 万 token 的上下文窗口可容纳数十轮搜索历史与返回原文，适合行业研究、学术文献综述、竞品分析等信息密集型任务。

• 企业办公自动化： 在 WorkBuddy Bench 类多领域职场场景中处理日程调整、数据整理、报表生成等长程多步骤任务。模型的任务规划与代码生成能力互补，可覆盖从数据提取到可视化呈现的完整工作流。

8. 常见问题FAQ

Q：NeoHorse-1 部署需要多大显存？
A：4B 版本建议 16GB 以上显存，9B 版本建议 24GB 以上。实际可用上下文长度与显存直接相关，完整 262,144 token 窗口需要更高显存配置。显存不足时可先降低上下文长度再部署，如从 262,144 降至 32,768 逐步适配。

Q：支持哪些推理框架？
A：官方推荐 SGLang（版本 0.5.17）与 vLLM，两者均需配置 --context-length 262144、--reasoning-parser qwen3 与 --tool-call-parser qwen3_coder 参数。另支持 Ollama 等轻量级工具，开发者可根据部署环境与性能需求选择。

Q：4B 和 9B 版本有什么区别，如何选择？
A：两者均为 Agent-Native 训练，核心能力结构一致。9B 版本在基准测试中表现更优（十项均分 69.04），但需更大显存；4B 版本在资源受限环境中仍是有效选择，其 Agent 表现已超越多个参数量更大的通用模型。条件允许时优先选 9B，部署空间有限时选 4B。

Q：上下文长度如何从 262,144 tokens 扩展至约 101 万 tokens？
A：需在推理框架中启用扩展配置并配置足够的 GPU 显存。实际扩展能力受硬件条件约束，使用时需通过显存测试确定可行值。官方建议先降低上下文长度完成部署验证，再逐步提升。

Q：模型支持商用吗？
A：支持。项目采用 Apache-2.0 开源协议，允许商业使用、修改与再分发，无需额外授权费用。需保留原始版权声明与修改记录。

Q：训练数据中的失败轨迹是如何处理的？
A：失败轨迹同样经结构检查与六维质量评估后纳入训练集，与成功轨迹一起组成训练语料。模型通过学习失败模式掌握"哪里易出错、出错后如何恢复"的能力，这是其在真实执行环境中具备容错性的关键训练基础。

9. 项目地址

• GitHub 仓库： https://github.com/TokenRhythm/NeoHorse
• Hugging Face 模型库： https://huggingface.co/collections/TokenRhythm/neohorse-1
• arXiv 技术论文： https://arxiv.org/pdf/2609.08183