NeoHorse-1 خدام

NeoHorse-1 هو موديل Agent مفتوح المصدر طوّراتو بنيان الإيقاع الأساسي بشراكة مع 無問芯穹، تسينغهوا، جامعة بكين، الجامعة الصينية فهونغ كونغ، علي بابا وغيرهم، وكاين بجوج النسخ 4B و9B. الموديل كيعتمد على تدريب لاحق Agent-Native، باستعمال المسارات الحقيقية ديال التنفيذ من Routing Harness كبيانات للتدريب، وكيعاود يستعمل إشارات التوجيه كأساس لترتيب مراحل التدريب، باش يدير حلقة مسدودة: ملاحظات التقييم ← توزيع البيانات ← تحديث الموديل. الموديل كيغطي استدعاء الأدوات، تخطيط المهام، البحث العميق وتوليد الكود. نسخة 9B جابت معدل 69.04، متفوقة على الموديل الأساسي بـ3.44 نقط، وكتدعم أصلاً سياق من 26万 token، وقدر يتنصّب محلياً.

استدعاء الأدوات: كيختار ويستعمل الأدوات الخارجية أوتوماتيكياً حسب متطلبات المهمة، وكيكمل العمليات متعددة المراحل.
تخطيط المهام: كيفكك المهام المعقدة لخطوات فرعية قابلة للتنفيذ، وكيخطط ويدبّر المهام على المدى الطويل.
البحث العميق: كيقلب بنشاط على المعلومات وكيجمعها خلال تفاعلات متعددة، باش يدعم الاستنتاجات بسلسلة ديال الأدلة.
توليد الكود: كينتج كود قابل للاستعمال وكيصححو ويصلحو اعتماداً على الملاحظات ديال البيئة حتى كتكمّل المهمة.

تابعونا فـWeChat وجاوبو بـ“开源” باش تنضمو لمجموعة نقاش مشاريع الذكاء الاصطناعي مفتوحة المصدر
تدريب Agent-Native مدفوع بمسارات Harness: بيانات التدريب كتركز على المسارات المنظمة الناتجة عن التنفيذ الحقيقي عبر Routing Harness، وكتشمل الطلب، التوجيه، استدعاء الأدوات، ملاحظات البيئة واسترجاع الأخطاء. وبالمقارنة مع بيانات الأسئلة والأجوبة التقليدية، كتزيد عليها ثلاثة أبعاد: متطلبات القدرة، قرارات التنفيذ ونتائج البيئة. كيتحتافظو بمسارات النجاح والفشل بجوج، ومن بعد فحص البنية وتقييم الجودة فـ6 أبعاد كيتختارو للتدريب، باش يولي الهدف موجّه مباشرة لإكمال المهمة.
توزيع البيانات حسب القدرات: كيقسم الموجّه المهام حسب متطلبات القدرة لأربع درجات من C0 حتى C3، وكتعاود الإشارة تستعمل أوفلاين كأساس للتدريب: كيتقسم سجل التوجيه لثلاثة أجزاء: “التنبؤ — الفعل — النتيجة”. الجزء ديال التنبؤ كيتستعمل لترتيب مراحل التدريب، والنتيجة كتحدد نواقص القدرات، وعلى هاد الأساس كيتبدل توزيع بيانات الدورة الجاية، وكتتكوّن حلقة: ملاحظات التقييم ← توزيع البيانات ← تحديث الموديل.
التحسين الذاتي التكراري (RSI) والتحقق فدورة وحدة: كيتقسم لـData-RSI وModel-RSI. الأول كيعني أن الموديل كينتج باستمرار مسارات جديدة أثناء التنفيذ، ومن بعد الفرز كتتجمع طبيعياً كمواد للتدريب اللاحق؛ والثاني كيعني تحديث الموديل حسب نواقص التقييم وإرجاعو لمجموعة موديلات Harness. دابا تم التحقق غير من حلقة وحدة، وتصميم الإشارات والمكافآت مازال محدد من طرف البشر.

تثبيت أداة التحميل: نفّذ pip install -U modelscope باش تثبّت أداة سطر الأوامر ديال ModelScope.
تحميل الموديل: شغّل modelscope download --model TokenRhythm/NeoHorse-1-9B --local_dir ./NeoHorse-1-9B باش تهبط الأوزان، ونسخة 4B كتخدم بنفس الطريقة، اختارها حسب الحاجة.
تنصيب الخدمة: استعمل SGLang ‏(pip install "sglang==0.5.17") أو vLLM لتشغيل خدمة الاستدلال، وضبط --context-length 262144 و--reasoning-parser qwen3 و--tool-call-parser qwen3_coder.
استدعاء API: وجّه base_url فـOpenAI SDK لعنوان الخدمة المحلية، بحال http://localhost:8000/v1، ومن بعد تقدر تصيفط الطلبات بحال إلى كتستعمل واجهة OpenAI.
ملاحظة على الموارد: السياق اللي تقدر تستعمل فعلياً كيعتمد على ذاكرة GPU، وإذا ماكفاتش الذاكرة نقص طول السياق قبل التنصيب.

تدريب Agent-Native: بيانات التدريب جاية مباشرة من مسارات تنفيذ حقيقية، ماشي من بيانات الأسئلة والأجوبة التقليدية، والهدف ديالها هو إكمال المهمة مباشرة، ماشي التكييف اللاحق ديال موديل عام.
استغلال مسارات الفشل: مجموعة التدريب كتحتافظ فآن واحد بسجلات النجاح والفشل اللي تعوّضات، باش يتعلم الموديل “فين كيوقع الخطأ وكيفاش يتعافى من بعد الخطأ”.
إعادة استعمال إشارات التوجيه: إشارات تصنيف القدرات C0–C3 ديال التوجيه الأونلاين كتتحول أوفلاين لأساس للتدريب، وكتحقق حلقة “ملاحظات التقييم ← توزيع البيانات ← تحديث الموديل”.
حجم صغير وأداء قوي: أداء Agent فنسخة 4B فاق عدة موديلات عامة أكبر منها فعدد المعاملات، ونسخة 9B جابت معدل 69.04، متفوقة على الموديل الأساسي بـ3.44 نقط، مع كلفة تنصيب أقل.
سياق طويل بزاف: كتدعم أصلاً 262,144 tokens، وقدر يتوسع حتى لحوالي 101 万 tokens، وكتناسب مهام Agent طويلة المدى.

مستودع GitHub：https://github.com/TokenRhythm/NeoHorse
مستودع موديلات HuggingFace：https://huggingface.co/collections/TokenRhythm/neohorse-1
الورقة التقنية فـarXiv：https://arxiv.org/pdf/2609.08183

تنفيذ مهام الوكلاء: كيخدم كموديل تنفيذ داخل Harness بحال OpenClaw، وكيكمل أوتوماتيكياً مهام حقيقية فالحاسوب بحال التعامل مع الملفات واستعمال البرامج، وكيحاول يصلح الوضع بوحدو من بعد الفشل.
استدعاء الأدوات وتنسيق API: فبيئة فيها أدوات متعددة، كيختار ويركب ويستعمل APIs خارجية أوتوماتيكياً، وكيصلح لبناء مساعدين لسير العمل المؤتمت.
البحث العميق ومساعد البحث: كيقلب بنشاط خلال جولات متعددة، وكيقارن المعلومات وكيضيف سلسلة الأدلة، باش يعاون فإنتاج تقارير بحثية مرفوقة بالمراجع.
أتمتة العمل داخل الشركات: فسيناريوهات مهنية متعددة المجالات بحال WorkBuddy Bench، كيتعامل مع مهام طويلة ومتعددة المراحل بحال تعديل المواعيد، تنظيم البيانات وإنشاء التقارير.