NeoHorse-1 – 基元律动联合无问芯穹推出的首个 Agent-Native 开源模型

NeoHorse-1是一款由基元律动（TokenRhythm）联合无问芯穹、清华大学、北京大学等于2026年9月推出的开源 Agent-Native 语言模型，主要用于智能体任务执行与工具调用，支持 262,144 tokens 超长上下文与全框架本地化部署，适用于电脑操作、深度搜索、代码生成等多步骤自动化场景。

NeoHorse-1 的核心能力

NeoHorse-1 的定位不是通用问答，而是把“完成任务”当作训练目标本身。它围绕真实执行链路组织能力，覆盖从理解需求、拆解步骤到调用工具、验证结果的全过程，四项能力相互衔接。

工具调用与任务规划

模型可以根据任务需求自动选择并调用外部工具，把复杂目标拆解为可执行的子步骤，并在多轮交互中保持长程调度的一致性。与依赖人工预设流程的方案不同，NeoHorse-1 在每一步都会重新评估当前状态，决定继续执行还是调整路径，因此更适合步骤数量不固定、中途可能变化的真实任务。

深度搜索与证据链构建

在多轮检索场景中，模型会主动发起搜索、交叉验证来源，并把支撑结论的证据串成可追溯的链条。这一能力让它在生成调研类内容时不必依赖单次检索结果，而是通过反复求证收敛到更可靠的结论，输出时可附带来源说明。

代码生成与环境反馈修复

模型能够生成可运行的代码，并基于执行环境返回的报错信息定位问题、修改实现，直到任务通过验证。这一闭环把“写代码”和“验证代码”合并到同一次执行里，减少了人工在中间来回搬运信息的过程，适合自动化脚本、数据处理等需要即时验证的场景。

Agent-Native 训练范式

NeoHorse-1 的训练语料以 Routing Harness 在 Agent 执行中产生的结构化轨迹为核心，涵盖任务请求、路由选择、工具调用、环境反馈与错误恢复，比传统问答语料多出能力需求、执行决策、环境结果三个维度。成功轨迹与失败轨迹都会被保留，经结构检查与六维质量评估后进入后训练，让模型学到“哪里容易出错、出错后如何恢复”。这也使它区别于在通用模型上事后适配 Agent 场景的常规做法，与AI智能体所需的执行闭环天然契合。

NeoHorse-1 与同类 Agent 模型的对比

下表以 9B 档参数为主，对照对象直接取自 NeoHorse-1 官方技术报告列出的 benchmark 基线：Qwen3.5、Gemma 4、Muse Glimmer 来自官方 9B 组，星火X2.5 来自官方 4B 组。

从数据看，分野主要在训练路径而非参数规模。NeoHorse-1 把真实执行轨迹当作核心语料，因此在工具调用与多轮交互类任务上的增益最集中，tau²-Bench 与 PinchBench 两项都排在表内首位；Qwen3.5 依托原生多模态底座，十项均分紧随其后，适用面更宽；Muse Glimmer 以 30B 规模换来接近的十项均分，但工具调用与指令跟随分项明显低于前两者；Gemma 4 与星火X2.5 的 Agent 相关分项集中在 60 上下，更贴近通用推理与本地化部署需求。选择时可以先看任务是否以多步骤执行为主，再决定是引入这类 Agent 原生模型，还是在通用模型上自行搭建执行流程。

注：表中分数取自 NeoHorse-1 官方技术报告的 benchmark 表，Qwen3.5、Gemma 4、Muse Glimmer 对应官方 9B 组（Qwen3.5-9B、Gemma-4-12B-it、Muse-Glimmer-30B），星火X2.5 对应官方 4B 组（Spark-X2.5-4B）。

如果更关注长周期任务与编程场景，可以了解 Muse Spark 1.3（Meta 推出的智能体与编程旗舰模型，主打长周期任务执行与代码能力，与本文讨论的方向属同一赛道）。

NeoHorse-1 的应用场景与适用人群

NeoHorse-1 的能力边界集中在“多步骤、可验证、需要与环境反复交互”的任务上，以下三类场景最能发挥它的特点。

• 智能体任务执行：作为 Harness 中的执行模型，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。
• 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，用于搭建自动化工作流助手。
• 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。

适用人群：需要为自有产品接入 Agent 执行能力的开发者、对数据合规有要求因而倾向本地私有化部署的团队，以及研究多模型协作、后训练数据配比与强化学习路径的技术人员。由于模型权重完全开放，上述用户都可以在自有环境中验证效果，而不依赖第三方托管接口。

NeoHorse-1 的使用方法

模型权重已在多个平台开放，本地部署的完整链路如下，普通开发者可在单卡环境先跑通 4B 版本。

1. 获取模型与文档：NeoHorse-1 官方仓库提供权重、技术报告与部署说明，HuggingFace 与 ModelScope 同步托管。
2. 安装下载工具：执行 pip install -U modelscope 安装 ModelScope 命令行工具。
3. 拉取模型权重：运行 modelscope download --model TokenRhythm/NeoHorse-1-9B --local_dir ./NeoHorse-1-9B，4B 版本按需替换模型名。
4. 部署推理服务：使用 SGLang 或 vLLM 启动服务，配置 --context-length 262144 及对应的推理与工具解析参数。
5. 接入调用：通过 OpenAI SDK 将 base_url 指向本地服务地址，即可按标准接口发送请求。

NeoHorse-1 的价格与开源情况

NeoHorse-1 的 4B 与 9B 权重均免费开放下载，官方不设授权费与按量调用费，使用成本集中在自有 GPU 的显存占用与推理算力上。由于模型可在局域网内运行，推理请求不出本地，对数据合规要求较高的团队可以省去额外的传输与托管成本，预算主要用于硬件或云上按需租用的算力。

NeoHorse-1 以 Apache-2.0 协议发布，允许商业使用、修改与二次分发，HuggingFace、ModelScope 与 GitHub 均提供权重与文档，SGLang、vLLM、Ollama 等推理框架已支持。协议层面不限制商用场景，团队可以把模型直接集成进自有产品，也可在自有数据上继续做后训练；需要注意的是，二次分发时应保留原有的许可与版权声明。

NeoHorse-1 的常见问题