AI news

AI圈杀出一匹黑马!AK分享、魔搭推荐、Agent原生模型NeoHorse-1下载破万!

By AI异类弗兰克1 viewsSource: AI异类弗兰克
AI圈杀出一匹黑马!AK分享、魔搭推荐、Agent原生模型NeoHorse-1下载破万!

基元律动发布的Agent原生模型NeoHorse-1上线三天即在Hugging Face下载量突破1.2万次,并获AK在X推荐及魔搭ModelScope官方推荐,社区开发者已制作出面向Apple Silicon的MLX量化版本。

The full text has not been translated yet. The Chinese original is shown below.

Hugging Face上12000多的下载量,意味着什么?

在开发者圈,如果能短时间达到这个数字,我会觉得,这个模型或者产品,成了。

看到基元律动首个Agent-Native模型NeoHorse-1,短短三天时间,在Hugging Face上的下载量就达到12,193次:

其中4B版本6,109次,9B版本6,084次。

文章配图

http://huggingface.co/TokenRhythm/NeoHorse-1-4B

他们的技术报告,还登上了Hugging Face9月9日Daily Papers当日榜首,截至发稿获得3次社区投票。

文章配图

模型界的这匹黑马,还受到了很多大牛、知名玩家和头部社区的关注:

AK大神在X上推荐了NeoHorse,魔搭官方也推荐了NeoHorse,社区开发者也开始制作量化版本、探索本地运行。

很多开发者,已经实实在在部署进开发环境了。

我特别好奇,基元律动这个新发布的模型,凭什么这么受欢迎?

01

从AK到魔搭,都在推荐它

这次看到NeoHorse这个Agent原生模型出自基元律动之手,我不觉得惊讶。

仔细看了一下技术报告,基于对Harness的深度理解和对模型路由的精准刀法,NeoHorse-1的技术想象力很让人惊喜。

文章配图

NeoHorse-1技术报告:https://arxiv.org/abs/2609.08183

年初火的是龙虾,今年这个马年,也许新的高潮就该看这匹「新马」了。

不少朋友应该在AK的X上,也刷到了。

AK作为行业资深影响力玩家,这次也是很硬核力荐了NeoHorse-1和其技术报告。

关键是这个方向我很感兴趣:通过Routing Harness驱动的Agent后训练,迈向递归自我改进。

文章配图

看到魔搭ModelScope官方也推荐了NeoHorse-1。

除了模型表现,还关注到了背后的训练机制:执行轨迹如何转化为训练信号,能力反馈如何参与下一轮训练,以及这条路径与RSI的联系。

文章配图

https://www.modelscope.cn/collections/TokenRhythm/NeoHorse-1

能看出来NeoHorse-1的思路很有前瞻性:

当Agent完成任务时,已经经历了工具调用、环境反馈和错误修复。

但这些过程,能不能不止留在一次任务的记录里,而是进一步成为模型可以学习的经验?

所以基元律动给出了他们的一个答案。

02

社区火了,开发者用嗨了

模型好不好,开发者用了才知道。

开源之后,社区的回应开始从分享延伸到适配,相应速度非常快,也特别重视开发者们的意见。

看到Rapid-MLX已经发布NeoHorse-1-9B的4-bit MLX转换版本,提供面向Apple Silicon的本地运行方式,并公开了转换说明和本地验证记录。

文章配图

https://huggingface.co/rapid-mlx/NeoHorse-1-9B-MLX-4bit

Hugging Face上,也出现了由prithivMLmods、mradermacher等社区开发者制作的GGUF量化版本,为不同运行环境提供更多选择。

文章配图

就像当初的OpenClaw火起来一样,开发者众人拾柴火焰高,很多玩法真的是共创出来的。

像模型团队内部的评测,可以提供一组结果,而不同开发者的硬件、工具和任务,会带来新的问题:哪里好用,哪里还不够稳定,哪些执行步骤仍然容易出错。

这些反馈,也在让NeoHorse变得越来越好、越来越出圈。

03

模型时代,也许这是一个更关键的身位

仔细研究了一下,发现基元律动一直在探索多模型时代的智能组织层。

TokenRhythm API连接模型供给与调用需求,OpenSquilla组织不同模型执行Agent任务。

NeoHorse沿着这条路线往前走了一步:让执行过程中积累的经验,有机会沉淀为模型能力。

他们这次研究,以Routing Harness执行轨迹为核心,辅以公开数据,通过筛选、评估和后训练,改善模型的Agent执行能力。

文章配图

https://arxiv.org/abs/2609.08183

组织模型完成任务所产生的有效经验,可以继续用于训练,而训练后的能力改善,又可以回到任务中接受检验。

这就为之前提出的商业飞轮,补上了一个关键环节的实验依据。

话说回来,更好的任务体验能否带来持续使用,以及模型更新能否改善服务效率,仍需要后续运行数据回答。

同一套反馈机制,也使得完成了一次面向RSI的单轮工程验证:

  • Data-RSI:执行轨迹形成结构化记录,经筛选后成为训练材料。
  • Model-RSI:评测识别能力短板,反馈影响数据选择和模型更新,再回到Harness中检验。

目前,这仍是一个起点。但是未来非常值得期待。

文章配图

我在想,接下来,打算把更多任务带给NeoHorse

把它接入自己的Agent工作流,尝试工具调用、代码任务和多步骤执行,也许会有非常多好玩的事情发生!

很期待,能让Agent走过的路,成为下一次把事情做好的能力。

文章来自于微信公众号 “AI异类弗兰克”,作者 “AI异类弗兰克”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)