NeoHorse-1 Inafanya kazi

NeoHorse-1 ni modeli ya Agent ya chanzo huria iliyotengenezwa na Jiyuan Rhythm kwa ushirikiano na Wuwen Xinqiong, Chuo Kikuu cha Tsinghua, Chuo Kikuu cha Peking, CUHK, Alibaba na wengine, ikiwa na matoleo mawili ya 4B na 9B. Modeli hii hutumia mafunzo ya baada ya Agent-Native, kwa kutumia utekelezaji halisi wa Routing Harness kama data ya mafunzo na kutumia tena ishara za uelekezaji kupanga mfuatano wa mafunzo, hivyo kuunda mzunguko wa maoni ya tathmini → mgao wa data → usasishaji wa modeli. Modeli hii inashughulikia matumizi ya zana, upangaji wa majukumu, utafutaji wa kina na utengenezaji wa msimbo. Toleo la 9B lina wastani wa alama 69.04, likizidi modeli msingi kwa alama 3.44; linatumia asili muktadha wa tokeni 260,000 na linaweza kutumwa ndani ya mazingira ya ndani.

Matumizi ya zana: Huchagua na kutumia zana za nje kiotomatiki kulingana na mahitaji ya jukumu, na kukamilisha shughuli za hatua nyingi.
Upangaji wa majukumu: Hugawanya majukumu changamano kuwa hatua ndogo zinazoweza kutekelezwa, kisha hupanga na kuratibu utekelezaji wa muda mrefu.
Utafutaji wa kina: Hutafuta na kuunganisha taarifa kikamilifu katika mwingiliano wa raundi nyingi, na kuunga mkono mlolongo wa ushahidi wa hitimisho.
Utengenezaji wa msimbo: Hutengeneza msimbo unaoweza kutumika na kuutatuza kwa kutumia maoni ya mazingira hadi jukumu likamilike.

Fuatilia akaunti ya WeChat na ujibu “chanzo huria” ili kujiunga na kikundi cha mawasiliano kuhusu miradi ya AI ya chanzo huria
Mafunzo ya Agent-Native yanayoendeshwa na mfuatano wa Harness: Data ya mafunzo inategemea mfuatano uliopangwa unaotokana na utekelezaji halisi wa Routing Harness, ikijumuisha ombi, uelekezaji, matumizi ya zana, maoni ya mazingira na urejeshaji baada ya hitilafu. Ikilinganishwa na data ya jadi ya maswali na majibu, ina vipengele vitatu vya ziada: mahitaji ya uwezo, maamuzi ya utekelezaji na matokeo ya mazingira. Mfuatano wa mafanikio na wa kushindwa huhifadhiwa, kisha huchaguliwa baada ya ukaguzi wa muundo na tathmini ya ubora katika vipimo sita, ili lengo la mafunzo lielekezwe moja kwa moja kwenye kukamilisha jukumu.
Mgao wa data unaoongozwa na uwezo: Kielekezaji hugawanya majukumu katika viwango vinne vya mahitaji ya uwezo, C0–C3, na kutumia ishara hizo tena nje ya mtandao kama msingi wa mafunzo. Rekodi za uelekezaji hugawanywa katika sehemu tatu, “utabiri—hatua—matokeo”: sehemu ya utabiri hutumika kupanga mtaala, na sehemu ya matokeo hutumika kutambua mapungufu ya uwezo. Kwa msingi huo, mgao wa data wa raundi inayofuata hurekebishwa, na kuunda mzunguko wa maoni ya tathmini → mgao wa data → usasishaji wa modeli.
Uboreshaji wa kujirudia (RSI) uliothibitishwa katika raundi moja: Unagawanyika katika Data-RSI na Model-RSI. Data-RSI humaanisha modeli kuendelea kutekeleza majukumu na kutoa mfuatano mpya, ambao baada ya kuchujwa hukusanywa kwa asili kama nyenzo ya mafunzo ya baadaye; Model-RSI humaanisha kusasisha modeli kulingana na mapungufu yaliyobainishwa katika tathmini na kuirejesha kwenye dimbwi la modeli la Harness. Kwa sasa, mzunguko mmoja tu umehakikishwa; muundo wa ishara na zawadi bado huwekwa na binadamu.

Sakinisha zana ya upakuaji: Tekeleza pip install -U modelscope ili kusakinisha zana ya mstari wa amri ya ModelScope.
Pakua modeli: Tekeleza modelscope download --model TokenRhythm/NeoHorse-1-9B --local_dir ./NeoHorse-1-9B ili kupakua uzani. Toleo la 4B linafuata utaratibu huo; chagua kulingana na mahitaji.
Weka huduma: Tumia SGLang (pip install "sglang==0.5.17") au vLLM kuanzisha huduma ya uelekezaji, na usanidi --context-length 262144, --reasoning-parser qwen3 na --tool-call-parser qwen3_coder.
Matumizi ya API: Elekeza base_url ya OpenAI SDK kwenye anwani ya huduma ya ndani, kama vile http://localhost:8000/v1, kisha tuma maombi kama unavyotumia kiolesura cha OpenAI.
Angalizo kuhusu rasilimali: Muktadha unaoweza kutumika hutegemea kumbukumbu ya GPU. Ikiwa kumbukumbu haitoshi, punguza kwanza urefu wa muktadha kabla ya kutuma modeli.

Mafunzo ya Agent-Native: Data ya mafunzo hutokana moja kwa moja na mfuatano halisi wa utekelezaji badala ya data ya jadi ya maswali na majibu; lengo lake ni kukamilisha majukumu, si kurekebisha modeli ya jumla baada ya hapo.
Matumizi ya mfuatano wa kushindwa: Seti ya mafunzo huhifadhi rekodi zilizofanikiwa pamoja na zilizoshindwa na kubadilishwa, ili modeli ijifunze “maeneo yenye makosa na jinsi ya kurejesha hali baada ya hitilafu”.
Matumizi tena ya ishara za uelekezaji: Ishara za viwango vya uwezo C0–C3 kutoka kwenye uelekezaji mtandaoni hubadilishwa nje ya mtandao kuwa msingi wa mafunzo, na kuunda mzunguko wa “maoni ya tathmini → mgao wa data → usasishaji wa modeli”.
Utendaji wa juu kwa ukubwa mdogo: Utendaji wa Agent wa toleo la 4B umeshinda modeli kadhaa za jumla zenye vigezo vingi zaidi; toleo la 9B lina wastani wa alama 69.04, likizidi modeli msingi kwa alama 3.44, huku gharama ya utumiaji ikiwa chini.
Muktadha mrefu sana: Hutumia asili tokeni 262,144 na inaweza kupanuliwa hadi takribani tokeni milioni 1.01, hivyo kufaa kwa majukumu marefu ya Agent.

Hazina ya GitHub：https://github.com/TokenRhythm/NeoHorse
Hazina ya modeli ya HuggingFace：https://huggingface.co/collections/TokenRhythm/neohorse-1
Karatasi ya kiufundi ya arXiv：https://arxiv.org/pdf/2609.08183

Utekelezaji wa majukumu ya mawakala: Hutumika kama modeli ya utekelezaji katika Harness kama OpenClaw, na hukamilisha kiotomatiki majukumu halisi ya kompyuta kama uendeshaji wa faili na matumizi ya programu, huku ikijirejesha baada ya kushindwa.
Matumizi ya zana na uratibu wa API: Katika mazingira yenye zana nyingi, huchagua, huchanganya na kutumia API za nje kiotomatiki, hivyo kufaa kwa kujenga wasaidizi wa mtiririko wa kazi otomatiki.
Utafutaji wa kina na msaidizi wa utafiti: Hutafuta kwa bidii katika raundi nyingi, huthibitisha taarifa kwa kulinganisha na kuambatanisha mlolongo wa ushahidi, na kusaidia kutengeneza ripoti za utafiti zenye marejeo.
Uendeshaji wa kiotomatiki wa kazi za biashara: Katika hali mbalimbali za kazi kama WorkBuddy Bench, hushughulikia majukumu marefu ya hatua nyingi kama kurekebisha ratiba, kupanga data na kutengeneza ripoti.