NeoHorse-1.5-Flash：180B 与 ALE 9.23 分的 RSI 第二圈

一句话结论：NeoHorse-1.5-Flash Preview 是基元律动（TokenRhythm）在 11 月 5 日发布的 Agent 原生模型，总参数 180B、每 token 激活 6B，在 Agents’ Last Exam 上比基座模型高 9.23 分，它真正值得看的地方不在分数，而在基元律动把递归自我改进的第二个圈跑通了，模型开始拿上一代的实际执行失败记录当训练信号。

普通模型发布会告诉你这个模型更强了。Agent 原生模型的发布要看另一件事：它在真实任务里失败之后，失败被谁接住了。基元律动这次给出的答案是接住了，而且接法很具体。上一代 NeoHorse-1 被重新放回模型池，让它在真实任务里跑一遍，把执行记录和踩过的坑收集起来，再喂给下一代训练。这套东西的学名叫递归自我改进（RSI），这次是第二圈。

这次发布的三个关键数字

先把参数和分数摊开，后面所有判断都建立在这几个数字上。

开发工具与测试、Web 开发、安全认证与加密这几个方向也有改善，但官方没有给出分项数值。这意味着 9.23 分这个数字目前只有一个来源，就是基元律动自己发布的对照评测。没有第三方榜单背书，读者在判断时需要把这一点记在心里。

RSI 第二圈到底做了什么

递归自我改进这个词容易被说成玄学。基元律动的做法拆开看其实不复杂，链路是四步。

第一步，路由系统发出信号。TokenRhythm 多模型平台在真实任务里记录需要哪一类能力，这个需求信号决定了下一轮训练往哪个方向补。

第二步，多模型融合产出可比结果。同一个任务交给多个前沿模型分别做，得到一组可以横向比较的执行结果，而不是一次性的孤立输出。

第三步，差分诊断。NeoHorse 与这些融合结果的差异被提取出来，用来识别能力短板、确定训练方向，并转化成学习信号。这一步是 RSI 的核心，模型看不到参考答案，它看到的是自己差在哪。

第四步，进化环境。环境进化引擎持续生成新任务并筛选，把模型的训练分布从已经解决过的题目推向还没解决的题目。

把这四步串起来看，这次发布和 9 月那次有一个结构性区别。9 月发布 NeoHorse-1 时，训练尺度是 4B 和 9B 两档，这次直接扩到 Flash 档，也就是 180B 总参、6B 激活的尺寸。上一代被放回模型池收集反馈，这批反馈喂出了一个比上一代大得多的模型。基元律动自己把这个过程称为 RSI 的第二圈。

这个差异意味着什么。第一圈证明模型可以从自己的执行经验里学到东西，第二圈验证的是这套经验能不能跨尺寸迁移，也就是小模型的经验能不能喂出大模型。这比第一圈更难，因为模型越大，可被单独归因的失败样本越少。

三项关键技术各自解决什么

官方在发布材料里点了三项技术，分别对应 RSI 训练中的三类典型病症。对理解这套方法，这三项比分数更值得拆开看。

多模型差分诊断对应能力诊断问题。单一模型的自我评估容易自我欺骗，把正确答案和看起来合理的错误答案分不开。多模型并行跑同一任务，差异本身就是标注，不需要人来判断哪个输出更好。

对抗式环境进化对应分布塌缩问题。模型在固定数据集上训练久了，会把训练集的套路当成通用能力，遇到没见过的题就退化。环境进化引擎持续生成并筛选新任务，本质是给模型找持续变化的靶子。

群体智能在线学习对应迭代效率问题。单条轨迹的反馈信号稀疏，一次训练跑一轮成本高。群体智能在线学习把模型输出与融合结果的差异汇总起来批量利用，用执行框架里产生的比较信息直接做后续优化。

三项技术合起来构成一个闭环：诊断告诉你哪里不行，进化环境制造新的不行，在线学习把新的不行转成训练信号，然后回到诊断。这是递归之所以能递归的地方，模型改进的对象不再只是权重，也包括出题的环境。

把 NeoHorse-1.5 放进 ALE 榜单看

Agents’ Last Exam 这个基准值得单独说清楚，因为很多中文读者还不熟悉它，而基元律动的 9.23 分正是拿它当标尺。

ALE 由 UC Berkeley RDI 与 RDI Foundation 共同牵头，Snorkel AI 提供资助支持，覆盖 55 个子行业。v1.1 版本包含 122 个任务，任务库总规模超过 1000 个。它的核心特征是每个任务都跑在真实的 Windows 或 Linux 沙箱里，带真实的工业软件、真实输入数据和一份隐藏参考答案，评分用确定性 grader 对照参考答案逐项核对，不用大模型当裁判。

指标分两个。Pass Rate 是完整完成任务的严格成功率，Score 是所有任务的平均得分并含部分分。两个都列，是因为它们回答的问题不同。一个 Agent 可能有相当不错的 Score 但 Pass Rate 很低，说明它能做对大部分内容却收不了尾；这在做工程交付时差别很大。

看懂这张表就能理解 9.23 分的量级。当前榜首的 Pass Rate 是 42.6%，NeoHorse-1.5-Flash 相对基座提高 9.23 分，如果基座大致在 ALE 榜单中下段，那么这个提升足以让它进入榜单中段，但离 42.6% 的完整交付水平仍有相当距离。官方的说法也很克制，只讲相对提升，不讲绝对排名。

还有一层容易被忽略。ALE 评测的是模型与 Harness 的组合，同一个模型换一套 Harness 表现会不同，表格里 MiniMax M3.1 Flash 在 Codex 和 Claude Code 下的 Score 分别为 58.2% 和 57.9%，同样的模型同样的 Pass Rate，细节分数就不同。这对理解各家宣称的 Agent 榜单对比很重要，脱离 Harness 谈模型分数基本没有意义。

OpenSquilla 与 TokenRhythm 是另一半

NeoHorse-1.5-Flash 不是单独发布的，基元律动在同一天更新了开源 Agent 产品 OpenSquilla，这套执行底座的调整比模型本身更能说明路线的走向。

新版 OpenSquilla 的调度逻辑是按任务意图选模型档位。继续一个任务时沿用原来的档位，重做时逐级升档。这样做的目的是让长程任务的上下文保持稳定，避免每一步都换模型导致前面积累的信息失效。

另一处调整是支持独立更新 TokenRhythm 和 OpenRouter 的推荐配置，用户不升级客户端也能预览差异再决定是否应用。本期推荐配置按十一月模型榜单做了调整，执行侧的模型选择跟着评测结果走。

把这几件事和 DeepSeek Super-agent 的路由与执行时长拆解放在一起看更清楚。路由层正在成为 Agent 产品竞争的新焦点，基元律动把自己的模型和路由绑在一张网里卖，而不是只卖一个权重文件。榜单上 Co-Design Bench 实测显示编码智能体全对率仅 26.4%，说明通用任务的长程交付能力普遍还在爬坡期，而 Realtime-Bench 里 GPT-6-Astra 实时成功率只有 44%，这两组数字共同说明 Agent 在真实软件环境里收尾的能力远弱于单点能力，这正是 RSI 这类方法瞄准的地方。

谁适合现在用，谁应该再等

适合现在关注的，是做 Agent 基础设施和 Harness 的人。基元律动的三次技术路子在 NeoHorse-1 首发时还没成型，这次是可复用的方法论样本。多模型差分诊断这套思路对任何要构建自改进流水线的人都有参考价值，与模型大小无关。

适合等的，是要在生产环境里跑代码 Agent 的团队。限量内测意味着拿不到稳定配额，权重没有上架 Hugging Face 或 ModelScope，官方也没公布 API 定价和开放计划。同时 LMArena 和 Artificial Analysis 都还没收录这个模型，第三方交叉验证暂时无从谈起。对比 美团 LongCat-2.5 开源并提供 W4A4 量化那种把权重和部署路径一次性铺开的做法，基元律动这次更像是能力展示加小范围验证。

另外，物理科学任务提升超过 20 分这个数字值得单独留意。在 ALE 的 55 个子行业里，物理科学只是一个分类，一次单项的大幅提升可能来自特定任务类型的分布，也可能说明模型在量化计算和符号推导这类需要精确性的场景里受益于训练反馈更多。这个区分目前无法从公开材料判断，需要等第三方复现。

常见问题

NeoHorse-1.5-Flash 怎么申请？和 NeoHorse-1 有什么区别？NeoHorse-1.5-Flash Preview 目前开放限量内测，通过基元律动官方公众号申请，没有开放 API 或权重下载。NeoHorse-1 是 9 月发布的 4B 与 9B 双档版本，1.5-Flash 扩到 180B 总参、6B 激活的 Flash 档，主要差异在于尺度更大、训练信号来自上一代的真实执行反馈。

递归自我改进会不会越训越偏？基元律动给出的机制里，差分诊断负责判断偏差，环境进化负责制造新任务，群体智能在线学习负责把差异转成训练信号。三者配套是为了对抗两类典型失效：模型自我评估失真造成的方向错误，以及固定数据集训练导致的分布塌缩。目前这套机制只有公司自测数据，缺少公开可复现的长期验证。

9.23 分能排到 ALE 榜单第几？排不了。9.23 分是相对基座模型的提升，官方没有公布绝对 Pass Rate 与 Score，也没有提交榜单评测。按当前榜首 42.6% 的 Pass Rate 推算，这个提升大致对应从榜单中下段进入中段，但具体位次要等第三方跑分。

小结

这次发布有两个层面的意义。分数层面，9.23 分的 ALE 提升在国产 Agent 原生模型里属于不错的一档，但对比榜单前列 42.6% 的完整交付通过率仍有距离，且只有自测口径。方法层面更重要，基元律动把上一代模型放回真实任务里收集失败、再把失败变成训练信号，并且把这件事从 4B 档复制到了 180B 档。递归自我改进从概念变成可复制流程，这一条比单个分数更值得长期跟踪。

相关阅读

• deepseek-super-agent-router-worker-p95-15-7-20261104
• co-design-bench-coding-agent-26-4-percent-full-pass-2026
• nvidia-realtime-bench-gpt6-astra-44-percent-wall-clock
• neohorse-1-agent-native
• meituan-longcat-2-5-open-source-mit-w4a4-2026