NeoHorse-1 Đang hoạt động

NeoHorse-1 là mô hình Agent mã nguồn mở do 基元律动 phối hợp cùng 无问芯穹, Đại học Thanh Hoa, Đại học Bắc Kinh, Đại học Trung văn Hồng Kông, Alibaba và các đơn vị khác phát hành, gồm hai phiên bản 4B và 9B. Mô hình áp dụng hậu huấn luyện Agent-Native, sử dụng các quỹ đạo thực thi từ Routing Harness làm dữ liệu huấn luyện, đồng thời tái sử dụng tín hiệu định tuyến làm cơ sở sắp xếp chương trình huấn luyện, hình thành vòng lặp khép kín từ phản hồi đánh giá → phân bổ dữ liệu → cập nhật mô hình. Mô hình hỗ trợ gọi công cụ, lập kế hoạch tác vụ, tìm kiếm chuyên sâu và sinh mã. Phiên bản 9B đạt điểm trung bình 69.04, cao hơn mô hình nền 3.44 điểm, hỗ trợ nguyên bản ngữ cảnh 260 nghìn token và có thể triển khai cục bộ.

Gọi công cụ: Tự động lựa chọn và gọi các công cụ bên ngoài theo yêu cầu tác vụ để hoàn thành các thao tác nhiều bước.
Lập kế hoạch tác vụ: Phân rã tác vụ phức tạp thành các bước con có thể thực thi, đồng thời lập kế hoạch và điều phối dài hạn.
Tìm kiếm chuyên sâu: Chủ động truy xuất và tổng hợp thông tin qua nhiều vòng tương tác, hỗ trợ xây dựng chuỗi bằng chứng cho kết luận.
Sinh mã: Tạo mã có thể sử dụng và gỡ lỗi, sửa chữa dựa trên phản hồi của môi trường cho đến khi hoàn thành tác vụ.

Theo dõi WeChat và trả lời “开源” để tham gia nhóm trao đổi dự án AI mã nguồn mở
Huấn luyện Agent-Native dựa trên quỹ đạo Harness: Dữ liệu huấn luyện lấy các quỹ đạo có cấu trúc do Routing Harness tạo ra trong quá trình thực thi thực tế làm cốt lõi, bao gồm yêu cầu, định tuyến, gọi công cụ, phản hồi môi trường và khôi phục lỗi. So với dữ liệu hỏi đáp truyền thống, dữ liệu này bổ sung ba khía cạnh: nhu cầu năng lực, quyết định thực thi và kết quả môi trường. Cả quỹ đạo thành công lẫn thất bại đều được giữ lại; sau khi kiểm tra cấu trúc và đánh giá chất lượng theo sáu chiều, các quỹ đạo phù hợp được đưa vào huấn luyện, giúp mục tiêu huấn luyện hướng trực tiếp đến việc hoàn thành tác vụ.
Phân bổ dữ liệu theo định hướng năng lực: Bộ định tuyến chia tác vụ thành bốn cấp C0–C3 theo nhu cầu năng lực, sau đó tái sử dụng tín hiệu ngoại tuyến làm cơ sở huấn luyện: tách bản ghi định tuyến thành ba phần “dự đoán — hành động — kết quả”, dùng phần dự đoán để sắp xếp chương trình huấn luyện, dùng phần kết quả để xác định điểm yếu về năng lực, từ đó điều chỉnh phân bổ dữ liệu cho vòng tiếp theo, hình thành vòng lặp khép kín từ phản hồi đánh giá → phân bổ dữ liệu → cập nhật mô hình.
Cải tiến tự đệ quy (RSI) qua xác thực một vòng: Gồm hai phần Data-RSI và Model-RSI. Phần trước chỉ việc mô hình liên tục thực thi để tạo ra các quỹ đạo mới, sau khi sàng lọc sẽ được tích lũy tự nhiên làm dữ liệu huấn luyện tiếp theo; phần sau chỉ việc cập nhật mô hình theo các điểm yếu qua đánh giá rồi đưa trở lại kho mô hình của Harness. Hiện mới chỉ xác thực một vòng lặp khép kín, còn thiết kế tín hiệu và phần thưởng vẫn do con người thiết lập.

Cài đặt công cụ tải xuống: Chạy pip install -U modelscope để cài đặt công cụ dòng lệnh ModelScope.
Tải mô hình: Chạy modelscope download --model TokenRhythm/NeoHorse-1-9B --local_dir ./NeoHorse-1-9B để tải trọng số (phiên bản 4B cũng tương tự, hãy lựa chọn theo nhu cầu).
Triển khai dịch vụ: Sử dụng SGLang (pip install "sglang==0.5.17") hoặc vLLM để khởi chạy dịch vụ suy luận, cấu hình --context-length 262144, --reasoning-parser qwen3 và --tool-call-parser qwen3_coder.
Gọi API: Dùng OpenAI SDK trỏ base_url đến địa chỉ dịch vụ cục bộ (ví dụ http://localhost:8000/v1), sau đó có thể gửi yêu cầu tương tự như khi gọi API OpenAI.
Lưu ý về tài nguyên: Ngữ cảnh thực tế có thể sử dụng phụ thuộc vào VRAM GPU. Khi không đủ VRAM, hãy giảm độ dài ngữ cảnh trước khi triển khai.

Huấn luyện Agent-Native: Dữ liệu huấn luyện đến trực tiếp từ các quỹ đạo thực thi thực tế thay vì dữ liệu hỏi đáp truyền thống, mục tiêu hướng thẳng đến việc hoàn thành tác vụ thay vì thích ứng sau đó như các mô hình đa dụng.
Tận dụng quỹ đạo thất bại: Tập huấn luyện đồng thời giữ lại các bản ghi thành công và thất bại bị thay thế, giúp mô hình học được “điểm nào dễ mắc lỗi và cách khôi phục sau khi xảy ra lỗi”.
Tái sử dụng tín hiệu định tuyến: Chuyển tín hiệu phân cấp năng lực C0–C3 của định tuyến trực tuyến thành cơ sở huấn luyện ngoại tuyến, tạo vòng lặp khép kín “phản hồi đánh giá → phân bổ dữ liệu → cập nhật mô hình”.
Kích thước nhỏ, hiệu năng cao: Hiệu năng Agent của phiên bản 4B đã vượt qua nhiều mô hình đa dụng có số tham số lớn hơn; phiên bản 9B đạt điểm trung bình 69.04, cao hơn mô hình nền 3.44 điểm, với chi phí triển khai thấp hơn.
Ngữ cảnh siêu dài: Hỗ trợ nguyên bản 262,144 tokens, có thể mở rộng lên khoảng 1,01 triệu tokens, phù hợp với các tác vụ Agent dài hạn.

Kho GitHub: https://github.com/TokenRhythm/NeoHorse
Kho mô hình HuggingFace: https://huggingface.co/collections/TokenRhythm/neohorse-1
Bài báo kỹ thuật arXiv: https://arxiv.org/pdf/2609.08183

Thực thi tác vụ tác nhân: Làm mô hình thực thi trong các Harness như OpenClaw, tự động hoàn thành các tác vụ máy tính thực tế như thao tác tệp và sử dụng phần mềm, đồng thời tự khôi phục sau khi thất bại.
Gọi công cụ và điều phối API: Tự động lựa chọn, kết hợp và gọi các API bên ngoài trong môi trường nhiều công cụ, phù hợp để xây dựng trợ lý quy trình làm việc tự động hóa.
Tìm kiếm chuyên sâu và trợ lý nghiên cứu: Chủ động truy xuất, kiểm chứng chéo thông tin qua nhiều vòng, kèm chuỗi bằng chứng để hỗ trợ tạo báo cáo nghiên cứu có trích dẫn.
Tự động hóa công việc doanh nghiệp: Xử lý các tác vụ dài hạn, nhiều bước trong những lĩnh vực như điều chỉnh lịch, sắp xếp dữ liệu và tạo báo cáo ở các kịch bản công sở đa lĩnh vực tương tự WorkBuddy Bench.