NeoHorse-1 운영 중

NeoHorse-1은 기원 리듬(TokenRhythm)이 무문심궁, 칭화대, 베이징대, 홍콩중문대, 알리바바 등과 공동 출시한 오픈 소스 Agent 모델로, 4B와 9B 두 버전으로 제공됩니다. 모델은 Agent-Native 후훈련을 적용하고 Routing Harness의 실제 실행 궤적을 훈련 데이터로 사용하며, 라우팅 신호를 훈련 커리큘럼 정렬 기준으로 재활용해 평가 피드백→데이터 비율 조정→모델 업데이트의 폐쇄 루프를 구현합니다. 모델은 도구 호출, 작업 계획, 심층 검색 및 코드 생성을 지원하며, 9B 버전은 평균 69.04점으로 기반 모델보다 3.44점 높고, 26만 token 컨텍스트를 기본 지원하며 로컬 배포가 가능합니다.

도구 호출: 작업 요구에 따라 외부 도구를 자동으로 선택하고 호출해 여러 단계의 작업을 수행합니다.
작업 계획: 복잡한 작업을 실행 가능한 하위 단계로 분해하고 장기 계획과 조정을 수행합니다.
심층 검색: 여러 차례의 상호작용에서 정보를 능동적으로 검색하고 통합해 결론을 뒷받침하는 증거 사슬을 구축합니다.
코드 생성: 사용 가능한 코드를 생성하고 환경 피드백을 바탕으로 디버깅 및 수정 작업을 수행해 작업을 완료합니다.

WeChat에서 팔로우 후 “开源”라고 답장해 AI 오픈 소스 프로젝트 교류 그룹에 가입하세요.
Harness 궤적 기반 Agent-Native 훈련: 훈련 데이터는 Routing Harness의 실제 실행에서 생성된 구조화된 궤적을 핵심으로 하며, 요청, 라우팅, 도구 호출, 환경 피드백 및 오류 복구를 포함합니다. 기존 질의응답 데이터보다 능력 요구, 실행 의사결정, 환경 결과라는 세 가지 차원이 추가됩니다. 성공 및 실패 궤적을 모두 보존하고, 구조 검사와 6차원 품질 평가를 거쳐 선별함으로써 훈련 목표가 작업 완료를 직접 지향하도록 합니다.
능력 기반 데이터 비율 조정: 라우터는 작업을 능력 요구에 따라 C0–C3의 네 단계로 분류하며, 해당 신호를 오프라인에서 훈련 기준으로 재활용합니다. 라우팅 기록을 “예측—행동—결과”의 세 부분으로 나누고, 예측 부분으로 커리큘럼을 정렬하며 결과 부분으로 능력 부족을 파악합니다. 이를 바탕으로 다음 라운드의 데이터 비율을 조정해 평가 피드백→데이터 비율 조정→모델 업데이트의 폐쇄 루프를 구축합니다.
재귀적 자기 개선(RSI)의 단일 라운드 검증: Data-RSI와 Model-RSI의 두 부분으로 구성됩니다. 전자는 모델이 지속적으로 실행해 새로운 궤적을 생성하고, 이를 선별한 뒤 후속 훈련 자료로 자연스럽게 축적하는 방식입니다. 후자는 평가에서 확인된 부족한 능력에 따라 모델을 업데이트하고 Harness 모델 풀에 다시 투입하는 방식입니다. 현재는 단일 폐쇄 루프만 검증되었으며, 신호와 보상 설계는 여전히 사람이 설정합니다.

다운로드 도구 설치: pip install -U modelscope를 실행해 ModelScope 명령줄 도구를 설치합니다.
모델 다운로드: modelscope download --model TokenRhythm/NeoHorse-1-9B --local_dir ./NeoHorse-1-9B를 실행해 가중치를 가져옵니다(4B 버전도 동일하며 필요에 따라 선택).
서비스 배포: SGLang（pip install "sglang==0.5.17"）또는 vLLM을 사용해 추론 서비스를 시작하고, --context-length 262144, --reasoning-parser qwen3 및 --tool-call-parser qwen3_coder를 설정합니다.
API 호출: OpenAI SDK에서 base_url을 로컬 서비스 주소(예: http://localhost:8000/v1)로 지정하면 OpenAI API를 호출하는 것처럼 요청을 보낼 수 있습니다.
리소스 참고: 실제 사용 가능한 컨텍스트 길이는 GPU 메모리에 따라 달라지므로, 메모리가 부족하면 먼저 컨텍스트 길이를 낮춘 후 배포하세요.

Agent-Native 훈련: 훈련 데이터가 기존 질의응답 자료가 아닌 실제 실행 궤적에서 직접 생성되므로, 범용 모델의 사후 적용이 아니라 작업 완료를 직접 목표로 합니다.
실패 궤적 활용: 훈련 세트에 성공 기록과 교체된 실패 기록을 모두 보존해 모델이 “어디에서 실수하기 쉬운지, 오류 발생 후 어떻게 복구하는지” 학습하도록 합니다.
라우팅 신호 재활용: 온라인 라우팅의 C0–C3 능력 단계 신호를 오프라인에서 훈련 기준으로 변환해 “평가 피드백→데이터 비율 조정→모델 업데이트” 폐쇄 루프를 구현합니다.
소형 고성능: 4B 버전의 Agent 성능은 이미 더 많은 파라미터를 가진 여러 범용 모델을 능가하며, 9B 버전은 평균 69.04점으로 기반 모델보다 3.44점 높아 배포 비용이 낮습니다.
초장문 컨텍스트: 262,144 tokens를 기본 지원하고 약 101만 tokens까지 확장할 수 있어 장기 Agent 작업에 적합합니다.

GitHub 저장소：https://github.com/TokenRhythm/NeoHorse
HuggingFace 모델 컬렉션：https://huggingface.co/collections/TokenRhythm/neohorse-1
arXiv 기술 논문：https://arxiv.org/pdf/2609.08183

에이전트 작업 실행: OpenClaw 등의 Harness에서 실행 모델로 사용되어 파일 조작, 소프트웨어 사용과 같은 실제 컴퓨터 작업을 자동으로 수행하고 실패 후 스스로 복구합니다.
도구 호출 및 API 오케스트레이션: 여러 도구가 있는 환경에서 외부 API를 자동으로 선택, 조합 및 호출해 자동화 워크플로 어시스턴트 구축에 적합합니다.
심층 검색 및 연구 어시스턴트: 여러 차례 능동적으로 검색하고 정보를 교차 검증하며 증거 사슬을 첨부해 인용이 포함된 조사 보고서 생성을 지원합니다.
기업 업무 자동화: WorkBuddy Bench와 같은 다양한 직장 업무 시나리오에서 일정 조정, 데이터 정리, 보고서 생성 등 장기적인 다단계 작업을 처리합니다.