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。

Z Finance 注意到，基元律动近期正式发布了 NeoHorse-1.5-Flash Preview。

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 Routing Harness，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，Z Finance 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。

125B Flash 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-Flash Preview 是一个纯粹的 Agent 原生模型，基于 Qwen 3.8 Flash 进行 RSI 进化，主模型参数 125B、激活参数 6B。

在最新公布的 Agent Last Exam（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 Natural Language to Repository（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-Flash Preview 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：Natural Language to Repository

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，Routing Harness 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 $$\tau^2\text{-Bench$$ 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。

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。Z Finance 测试了 NeoHorse-1.5-Flash Preview 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 <script> 脚本以及社区花园新闻正文的复杂网页。任务要求经历清理脚本、识别标题、留下正文、检查缺陷共五个步骤，精准剥离噪音并保留干净的段落文本。

第四个与第五个场景，则将压力给到了“数据存储与分析”和“AI 与科学计算”。

在基于 pandarallel 的并行数据处理任务（“订单：逐笔金额如何变成合计 100”）中，模型面对三笔真实订单（Coffee 2×18、Tea 3×12、Cake 1×28），需要完成多进程初始化、逐项并行计算（36、36、28）并最终汇总为 100。而在基于 scikit-learn（sklearn）的“表格：六个数能否全部翻倍”测试中，模型收到一个三行两列的矩阵（1/10、2/20、3/30），必须在严苛的接口限制下（只提供 fit/transform，不提供 get_params）接入自定义转换器，让每一行数据准确乘以二。

图 6：pandarallel 订单并行计算实测对比

图 7：sklearn 矩阵转换器实测对比

最后一个场景考察的是“开发工具与测试”中的底层基本功——基于 icecream 库的调试打印（“调试：把表达式和 72 一起打印”）。面对 unit_price = 18、quantity = 4 以及 ic(unit_price * quantity) 的代码片段，模型需要依次完成选择依赖路径、AST 提取表达式、打印结果以及检查回退路径，确保不仅算出 72，还能把源码表达式精准地带出来。

图 8：icecream 调试打印实测对比

这六个测试案例并不算宏大，但挑的都是实际写代码时最容易卡壳的细节：依赖路径选择、API 边界限制、跨步状态保持。NeoHorse-1.5 在这些环节表现得更顺畅，很大程度上是因为它并非只在静态代码库里做问答，而是在真实的执行环境里被反复打磨过。

横亘在 RSI 路上的三座大山

在真实的工业界，跑通第一轮自我改进并不难，难的是让飞轮“持续”转下去。

RSI 的理想闭环很直观：用户给任务 -> 模型做题 -> 验证 -> 训练 -> 更强的模型再接任务。但在通用 Agent 领域，第二圈绝不是把第一圈原样重跑一遍。挡在模型团队面前的，主要有三座大山。

第一座山是“自我诊断盲区”，断在验证环节。

写代码有测试脚本，做数学题有标准解，但真实的办公、操作浏览器、GUI 交互这类任务，没有非黑即白的标准答案。如果妥协用“模型当裁判”（LLM-as-a-Judge），很容易被 reward hacking 绕过去——得分点看似全满足了，任务其实没完成。更底层的矛盾在于，模型不知道自己不知道什么，自己给自己打分，系统根本不清楚下一步该往哪个方向进化。结果往往是 benchmark 越刷越高，真实体验原地踏步。

第二座山是“分布坍缩”，断在任务来源。

目前人类公开的高质量数据基本见底，公开的 Agent 数据集同质化严重。如果让模型在封闭环境里自己出题、自己做题，数据分布只会越收越窄，陷入经典的 model collapse（模型坍缩）。而如果单纯靠蒸馏一个更强的闭源模型，本质上只是追赶，上限永远锁死在老师之下。翻不过这座山，模型能力很快就会在一个狭窄的分布上饱和，换个真实场景就不会了。

第三座山是“迭代效率”，卡在沉重的训练流程上。

传统的模型迭代，每转一圈都要经历重建环境、大规模合成、全量评测、离线重训。每一步都在烧卡、烧时间，更需要算法工程师全程盯着调参、决定下一步配比。等一圈离线流程跑完，几个月过去，外部的用户需求和前沿基座模型早就变了。这也是为什么很多 RSI 方案只停留在论文里，走不到生产线上。

这三座山，决定了 RSI 究竟只是一个漂亮的概念，还是一台真能转起来的机器。NeoHorse-1.5 的第二圈，主要就是围绕这三座山搭起来的。

生态位优势与三张技术牌

在看具体技术动作之前，需要先理解基元律动所处的生态位置。   

RSI 飞轮要持续运转，核心燃料是“外部的新鲜信息”——也就是模型自己产生不了的那部分。单一模型厂商之所以容易陷入瓶颈，是因为他们只能看见自己的模型。而基元律动做的是一个“多模型 $$\time$$ 多 Harness”双重接入的路由平台。   

目前国内市场里，有做多 Harness（覆盖代码、办公、浏览器、GUI 等执行环境）但只绑定单一模型的团队，也有做多模型聚合路由但只有单一 Harness 的平台，把两头都接起来的很少。   

因为双重接入，基元律动的 Routing Harness 每天在真实任务上调度整个前沿模型群体。这种路由视角，让他们可以在同一个任务切面上看到：每一类任务谁强、谁弱、差多少。同时，NeoHorse 以 Preview 形态混在模型池里，与全球前沿模型同场干活，配合团队自建的合成环境库与内源评测集，顺理成章地解决了两个前置问题：有没有可比的参照系，有没有外部的新鲜分布。 

图9 ：RSI 飞轮全景

有了燃料之后，基元律动在飞轮的诊断、环境、训练三个位置上，分别用了三项技术来对应前面的三座大山。   

针对“自我诊断盲区”，他们做的是“多模型差分诊断”。   

这个模块的底座，是其自研 Harness OpenSquilla 已经上线的多模型融合功能。一个任务进来，不是交给某一个模型，而是由多个前沿模型同场作答、再融合成一个更好的结果。这个功能原本是为了保证线上交付质量，但它的副产品恰好成了 RSI 需要的参照系：在融合过程中，每个模型分别做到了什么、融合后的最优解是什么，天然形成了一组逐任务可比的标尺。   

把 NeoHorse 放进模型池里，系统就能通过 Aggregator 在线差分，持续刻画它与各个前沿模型的能力差距，生成一张动态的“能力缺陷画像”。传统做法是拿静态榜单打分，他们是拿整个前沿模型群体当参照。这张画像直接决定下一轮训练往哪使劲——保住已有优势，补齐真实短板，配合按真实任务分布生成的内源动态评测，不再对着榜单均匀撒数据。验得准、方向对，这是第二圈比第一圈快的第一个原因。   

针对“分布坍缩”，团队搭了一套“对抗式环境进化引擎”。   

在这套系统里，环境不是建好就固定的靶场，而是一个会自己繁衍的种群。引擎通过主动式环境繁衍实现“一拆多”，由一个种子环境衍生出多个不同难度的候选。每一轮都用“模型能不能做出来、认不认得出”作为筛选压力，淘汰太简单和太熟悉的题目，留下能把分布往外推的任务。   

同时，模型在环境里面对的不再是写死脚本的提问者，而是会追问、会改需求、甚至会反悔的“数字镜像交互体”。多轮任务的分布因此更贴近真实的人类需求，避免了分布坍缩和能力早早饱和。   

针对“迭代效率”，核心改动是“群体智能在线学习”。   

在算法层，NeoHorse-1.5 换了一种更直接的更新方式。监督信号依然来自 OpenSquilla 的多模型融合：同一个任务上，NeoHorse 自己的作答与多模型融合结果之间的“群体差分”，就是一份现成的、逐任务的教师信号。相当于不是某一个固定老师在教它，而是一群老师同时在场。   

模型在线上服务真实任务的同时，直接拿这份群体差分当老师，on-policy 地持续更新自己。诊断和训练共用同一个差分信号源，既告诉系统差在哪，也直接教模型怎么补，同时保留了第一圈验证过的路由引导课程学习与离线 RL 作为底座。而在训练 Infra 上，团队把 RSI 的思路用到了工程本身：让 AI 自动改写与调优算子，多个 AI 分工值守训练集群、自主决定下一步优化点。第三座山的本质是“人是瓶颈”，他们的解法是把人从繁琐的运维环里拿出来，让环自己转。  

结语

纵观这套架构，诊断决定方向，环境提供新鲜分布，训练以更高效的方式将经验训回模型。三大技术打在飞轮的三个位置上，全部共用同一个信号源——TokenRhythm × OpenSquilla 智能路由给出的课程信号、多模型融合给出的群体差分。不难看出，这是一套高度依赖其多模型路由平台生态位，才得以跑通的组合拳。

回看过去两个月的演进，NeoHorse-1 证明了 Harness 可以是 RSI 的机制。NeoHorse-1.5-Flash Preview 证明了这个机制可以转第二圈，而且第二圈比第一圈转得更快。

在大模型下半场，单纯靠堆砌算力和人力去“炼”一个静态大模型的边际收益正在急速递减。对基元律动而言，第二圈显然不是终点，而是起点：从现在起，每一代 NeoHorse 都会被放回环里，去产出下一代。

（转载自Z Finance）