企业官网建设流程全解析

从王云鹤创业到无问芯穹下场：上海AI Agent生态正在组队

【免费下载链接】NeoHorse-1-4B项目地址: https://ai.gitcode.com/hf_mirrors/TokenRhythm/NeoHorse-1-4B

2026年9月，一则发布低调但信息量极大：前华为诺亚方舟实验室主任、盘古大模型负责人王云鹤创办的基元律动（TokenRhythm），联合无问芯穹、清华大学、北京大学、阿里巴巴等机构，发布首个 Agent-Native 模型 NeoHorse-1，包含 4B 与 9B 两个版本。这是王云鹤创业后交出的首个模型，也是"AI基建牵手 Agent 新锐"的一次标志性组队——上观新闻的报道标题几乎概括了全部看点，而元璟资本生态则以"RSI 双环首次跑通"给这场联姻标了注脚。

本文不打算停留在新闻复述层面。我们将结合全网公开情报与 NeoHorse-1-4B 开源仓库的真实源码，回答三个问题：这支队形里两家上海企业各负责什么？所谓"组队"在技术上到底跑通了什么？以及，它对其他区域的AI创业者意味着什么？

一、坐标与分工：模型侧与算力侧为何咬合

先看两名队员的站位。

基元律动：创始人王云鹤此前执掌华为诺亚方舟实验室并主导盘古大模型研发，是典型的"大厂核心负责人下场创业"。创业后基元律动的第一张牌并非模型，而是一套开源 Routing Harness 系统 OpenSquilla——在 Agent 执行任务时负责"选择和组织不同模型"的调度层。澎湃新闻的报道点破了这条技术路线的连续性：NeoHorse 本质上是把 OpenSquilla 在推理期积累的经验"延伸至模型训练期"。

无问芯穹：以 AI 基础设施与算力服务为核心出场的上海公司。在 NeoHorse-1 的联合发布中，它扮演的显然是另一侧的咬合角色——模型公司提供 Agent-Native 模型与路由方法论，基建公司提供大规模训练所需的算力底座与软硬协同能力。两者叠加，恰好构成 Agent 时代最稀缺的配置：一个懂"模型怎么组织"的调度派，加一个懂"算力怎么供给"的基建派。

联合名单里还有清华、北大与阿里。这意味着这场组队并非两家公司的双边协议，而是一条贯穿"高校研究—模型研发—算力供给—产业应用"的开放链条。在上海的语境下，这种多角色拼图恰好是当地 AI 生态的一种典型组队方式。

二、技术主线：Routing Harness 如何变成训练信号

组队的意义不在于发布一个模型，而在于把一条推理期的技术路线转译成训练期的数据管线。理解 NeoHorse，关键是理解这条"轨迹转训练信号"的链路。

根据技术报告与公开报道，NeoHorse 的训练语料以 OpenSquilla 等 Routing Harness 产生的执行轨迹为核心，辅以公开数据。每一条轨迹完整保留了五个层次的信息：能力需求预测、路由选择、模型响应、工具调用、环境反馈。这些轨迹随后要经过完整性检查，以及目标完成度、证据一致性、错误恢复等维度的质量评估，才被用于后训练。

这套机制在仓库的 README.md 中有清晰的工程化表述：routing harness 将任务分配给异构模型池，记录工具交互与结果，估计能力需求，再用能力级反馈去塑造下一轮的训练混合；更新后的模型重新回到 harness，从而闭合一个"评估—选择—更新"的原型循环。把这个循环跨迭代地持续下去，就是论文标题里的核心词——递归自我提升（RSI）。元璟资本生态报道中所说的"RSI 双环首次跑通"，指的就是这一内环（推理期调度）与外环（训练期反馈）首次在同一个系统里形成闭环。

这里有一个容易被忽视的工程要点：轨迹中"路由选择"与"能力需求预测"被单独保留，说明这家公司并不把 Agent 能力简单归因于单模型质量，而是归因于模型池与调度策略的协同。数据上，这一判断也成立——四份名为"NeoHorse-Jev"系列的开源决策模型部署与微调实战在社区密集出现，正是这套"异构模型池"方法论的外溢。

三、源码级拆解：NeoHorse-1-4B 到底改了什么

仓库本体（NeoHorse-1-4B）是这套方法论最直接的物证。它是一枚约 4B 参数的因果语言模型，基于 Qwen3.5-4B 做 Agentic 后训练，原生上下文 262,144 tokens、可扩展至 101 万 tokens，权重以 Safetensors/BF16 格式发布，协议为 Apache-2.0。以下三点值得单独展开。

其一，混合注意力架构是长上下文 Agent 的经济学。

打开 config.json 可以看到，32 层 Transformer 中仅有 8 层使用 full_attention（每 4 层插入 1 层），其余 24 层为 linear_attention，且线性注意力层带有conv1d、A_log、dt_bias等状态空间参数。这是一套典型的"稀疏全注意力 + 线性注意力"混合设计：线性层承担长序列的廉价记忆，全注意力层周期性地做精确聚合。262K 原生上下文在这种架构下才具有工程可行性——这是为"Agent 长时间自主执行、不断追加工具结果与反馈"的使用形态量身定制的。

其二，工具调用被写进了模板层。

chat_template.jinja 展示了模型与外部工具交互的协议：系统提示中注入函数列表，要求模型以<tool_call><function=...><parameter=...></function></tool_call>的 XML 结构输出动作，并明确"可选推理放在函数调用之前、不可放在之后"。把结构化动作输出固化在模板而非依赖提示词临场发挥，是降低 Agent 链路解析失败率的关键工程决策——社区在 NeoHorse-Jev 系列上反复强调的"格式合规率"，本质就是这一设计要解决的问题。

其三，评测口径不是对话榜单，而是任务完成率。

仓库给出了 10 项基准的对比：NeoHorse-1-4B 宏平均 64.87，较基座 Qwen3.5-4B 的 58.94 提升 +5.93；其中 tau2-Bench 88.46（+4.17）、QwenClawBench 44.68（+6.21）、WorkBuddy Bench 34.41（+9.79）等 Agentic 类基准全面领先。值得注意的是，4B_head_fig.jpg 这张仓库头部配图正是评估结果的汇总可视化——它想传达的潜台词是：这个 4B 模型的价值不在"对话体验"，而在"把活干完"。这一定位与 NeoHorse-Jev 系列决策模型"不背题、只干活"的社区评价相互印证。

部署侧同样务实：README 提供了 SGLang v0.5.17 与 vLLM 两套 OpenAI 兼容 API 启动方案，并显式启用了--reasoning-parser qwen3与--tool-call-parser qwen3_coder，说明从推理框架到工具解析器都已完成与主流 Agent 编排栈的对齐。

四、资本视角：元璟为什么下注这支队形

元璟资本生态对此次发布的定性是"联合发布首个自研 Agent-Native 模型，RSI 双环首次跑通"。投资方的措辞通常比新闻稿更克制，把"RSI 双环跑通"写进标题，说明这不是一次 PR 事件，而是资本认可的里程碑。

从财务视角看，这笔下注的逻辑其实非常朴素：通用聊天模型的竞争已经卷到百模大战，而"Agent 专用模型 + 自进化训练管线"仍是稀缺叙事。王云鹤的盘古大模型履历解决了"能不能训出好模型"的信任问题，OpenSquilla 的开源生态解决了"调度方法论是否被验证"的问题，无问芯穹的算力底座解决了"规模化迭代是否可持续"的问题——三个问题拼在一起，才构成一个完整的投资标的。元璟下注的与其说是某一家公司，不如说是这组"角色互补的队形"。

五、组队逻辑的样本意义：对其他区域创业者的启示

把视野拉远，这次发布对区域 AI 创业者的启示可能比事件本身更有价值。

第一，差异化定位优先于参数竞赛。NeoHorse 没有选择在通用能力上硬碰大模型，而是押注 Agent 执行轨迹、结构化动作输出、任务完成率这些"干活指标"，并在 4B 这样的小参数量上兑现。对资源有限的创业者，这几乎是唯一理性的路线。

第二，开源不是姿态，是数据飞轮的入口。Apache-2.0 授权加上社区密集的部署与微调实践，让 OpenSquilla 与 NeoHorse 系列在外部团队中不断产生新的执行轨迹与反馈——这些恰恰是 RSI 闭环最渴求的训练信号。开源在这里第一次与训练数据管线直接挂钩。

第三，组队的本质是补足"训练闭环"中的缺失角色。基元律动有方法论与数据，无问芯穹有算力，高校有研究与人才，阿里有产业场景——每一方都只出一块拼图，但拼起来恰好是一条完整的"轨迹采集→后训练→部署→再采集"流水线。对大多数区域而言，卡脖子的往往不是单点技术，而是这条流水线上某个缺失的环节。

第四，Agent 时代的竞争正在从模型质量转向系统经济学。混合注意力、262K 上下文、结构化工具协议、路由调度，这些关键词共同指向一个判断：未来 Agent 的胜负手在于"单位成本下的任务完成率"，而非榜单分数。上海的这次组队，实际上是提前把赌注押在了这条曲线上。

回看整件事：王云鹤的创业从一套调度系统开始，无问芯穹以算力身份入场，两家上海企业用一次联合发布完成了一次技术路线的组队。至于这条 RSI 路线能否真的让模型"越用越强"，NeoHorse-1-4B 只是原型的第一步——但至少，它让"自进化 Agent"从概念叙事变成了一个可以 clone 到本地、跑通 curl 请求的开源工程事实。

【免费下载链接】NeoHorse-1-4B项目地址: https://ai.gitcode.com/hf_mirrors/TokenRhythm/NeoHorse-1-4B