基元律动发布 NeoHorse-1.5-Flash 预览版，开启 Agent 模型递归自我改进第二轮迭代

一句话结论

基元律动发布基于 Qwen3.8 的 NeoHorse-1.5-Flash 模型，通过递归自我改进机制显著提升 Agent 任务与软件工程能力，目前开放限量内测。

关键要点

NeoHorse-1.5-Flash 总参数 180B、激活 6B，基于 Qwen3.8-Flash 训练，当前处于限量内测阶段。
对照评测显示，该模型在 Agents’ Last Exam 整体得分较基座提升 9.23 分，Natural Language to Repository 提升 5.92 分。
物理科学任务得分提升超过 20 分，开发工具、Web 开发、安全认证与加密等软件工程方向亦有明确改善。
该发布是递归自我改进（RSI）机制的“第二圈”，训练尺度从首轮的 4B、9B 扩展至 Flash 档位。
同步更新的 OpenSquilla 支持根据任务意图动态选择模型档位，允许用户在客户端内预览并应用新的模型推荐方案。

背景与事实

2026 年 11 月 5 日，基元律动（TokenRhythm）正式发布了 Agent 原生模型 NeoHorse-1.5-Flash Preview。这款模型以 Qwen3.8-Flash 为基座进行微调与训练，架构上采用 180B 总参数与 6B 激活参数的大模型配置，核心目标在于强化模型在 Agent 任务执行与软件工程领域的具体能力。目前，该版本已向开发者开放限量内测申请，主要通过基元律动官方公众号进行受理。

在性能表现上，基元律动公布了一组针对基座模型的对照评测数据。数据显示，NeoHorse-1.5-Flash 在 Agents’ Last Exam 基准测试中的整体得分提高了 9.23 分，在 Natural Language to Repository 评测中的整体得分提高了 5.92 分。具体任务维度中，物理科学类任务的提升幅度最为显著，得分增加超过 20 分；同时，在开发工具与测试、Web 开发、安全认证与加密等软件工程关键方向上，模型也展现出了稳定的性能改善，验证了其在复杂工作流处理上的有效性。

此次发布的底层逻辑延续了 NeoHorse 系列对递归自我改进（RSI）机制的探索，基元律动将其定义为该机制的“第二圈”。早在 2026 年 9 月 NeoHorse-1 发布后，研发团队便将上一代模型重新放回多模型平台中，在实际任务执行中收集反馈数据，并将这些经验转化为后续训练的信号。这一过程不仅扩大了模型训练的参数尺度，从首轮测试的 4B、9B 级别扩展至当前的 Flash 档位，更确立了一种通过迭代反馈来持续优化 Agent 能力的训练范式。

影响分析

对于中文开发者与 AI 从业者而言，基元律动此次发布的核心价值在于展示了 Agent 模型通过“自身迭代”实现能力跃迁的可行路径。RSI 机制的引入意味着模型不再仅仅依赖静态的数据集训练，而是通过在实际任务中处理问题、对比多模型结果并识别短板来“自我进化”。这种范式将促使从业者重新评估 Agent 应用架构，从单一的模型调用转向多模型融合与路由系统协同，以适应更复杂的任务场景。此外，OpenSquilla 对模型档位动态选择的改进，降低了开发者在智能体工作流中管理模型成本的门槛，使得生产环境能够根据任务意图灵活切换计算资源，这对提升 B 端 Agent 应用的落地效率具有直接的工程指导意义。

适用边界

本结论基于基元律动公布的对照评测数据与官方技术说明，主要适用于关注 Agent 任务执行效率与软件工程能力的场景。由于 NeoHorse-1.5-Flash 目前处于限量内测阶段，且评测数据由厂商自行发布，缺乏第三方独立验证，因此其实际在开放世界复杂任务中的泛化能力仍有待全量发布后的社区测试确认。此外，RSI 机制带来的性能提升主要聚焦于特定基准测试，对于不涉及 Agent 规划或复杂代码生成的传统语言模型任务，其相对优势可能并不显著。