Am 5. November veröffentlichte TokenRhythm das Agent-native Modell NeoHorse-1.5-Flash Preview. Das Modell wurde auf Basis von Qwen3.8-Flash trainiert, verfügt über insgesamt 180B Parameter mit 6B aktivierten Parametern und konzentriert sich auf die Verbesserung der Ausführung von Agent-Aufgaben sowie der Software-Engineering-Fähigkeiten; derzeit ist eine limitierte Beta-Phase geöffnet.
Laut dem von dem Unternehmen veröffentlichten Vergleichstest verbesserte sich die Gesamtpunktzahl des neuen Modells im Vergleich zum Basismodell bei Agents’ Last Exam um 9.23 Punkte und bei Natural Language to Repository um 5.92 Punkte. Darunter stiegen die Aufgaben der physikalischen Wissenschaften um mehr als 20 Punkte; auch in Bereichen wie Entwicklungswerkzeuge und Tests, Web-Entwicklung sowie Sicherheitsauthentifizierung und Verschlüsselung gab es Verbesserungen.
Diese Veröffentlichung setzt die Erkundung der NeoHorse-Serie zur rekursiven Selbstverbesserung (RSI) fort; TokenRhythm bezeichnet dies als den „zweiten Kreis“ dieses Mechanismus. Nach der Veröffentlichung von NeoHorse-1 im September fügte das Unternehmen das Modell der vorherigen Generation wieder in den Modellpool ein, sammelte bei praktischen Aufgaben Ausführungsfeedback und nutzte diese Erfahrungen für das nachfolgende Training; der Trainingsskalenbereich des Modells wurde ebenfalls von 4B und 9B in der ersten Runde auf die Flash-Stufe erweitert.
Dieser Weg stützt sich auf die Multi-Modell-Plattform TokenRhythm und das Open-Source-Agent-Produkt OpenSquilla. Das Routingsystem liefert Signale zu den Fähigkeitsanforderungen von Aufgaben, und die Multi-Modell-Fusion lässt mehrere führende Modelle dieselbe Aufgabe bearbeiten, wodurch vergleichbare Ausführungsergebnisse entstehen. Die Abweichungen von NeoHorse gegenüber diesen Ergebnissen werden genutzt, um Fähigkeitsdefizite zu identifizieren, Trainingsrichtungen festzulegen und sie in Lernsignale umzuwandeln.
Einen Tag nach der Modellveröffentlichung aktualisierte TokenRhythm zudem OpenSquilla und vervollständigte damit diese Ausführungsbasis. Die neue Version wählt entsprechend der Aufgabenabsicht die Modellstufe aus, behält bei der Fortsetzung einer Aufgabe die ursprüngliche Stufe bei und stuft bei einer Wiederholung stufenweise auf; gleichzeitig werden die Empfehlungsschemata von TokenRhythm und OpenRouter unabhängig voneinander aktualisiert, sodass Nutzer ohne Upgrade des Clients Unterschiede in der Vorschau betrachten und die Anwendung bestätigen können. Die empfohlene Konfiguration dieser Ausgabe wurde ebenfalls anhand der Modell-Rangliste für November angepasst, damit die Modellauswahl auf der Ausführungsseite den Testergebnissen laufend folgen kann.
Im Zusammenhang mit dem RSI-Training schlug das Team drei Techniken vor: die Multi-Modell-Differenzialdiagnose, die adversarielle Umgebungsevolution und das Online-Lernen mit Schwarmintelligenz, die jeweils der Fähigkeitsdiagnose, der Verteilungskollaps-Problematik und der Iterationseffizienz entsprechen. Dabei erzeugt und filtert die Umgebungsevolutions-Engine kontinuierlich neue Aufgaben, und das Online-Lernen mit Schwarmintelligenz nutzt für das Training die Differenzen zwischen Modellausgaben und Fusionsergebnissen, wodurch die im Ausführungsrahmen erzeugten Vergleichsinformationen für die nachfolgende Optimierung verwendet werden.
Eine öffentliche Demonstration zeigte die Unterschiede bei konkreten Aufgaben. Im Fall der Tabellen-Webseite traten bei einigen von dem Basismodell erzeugten Berechnungszellen Formelfehler auf, während das neue Modell Formeleingaben, Berechnungsergebnisse sowie weitere interaktive Funktionen zeigte. Das Veröffentlichungsmaterial führte außerdem Fälle wie Diagrammerstellung, Quantenphysik-Berechnungen und die Lösungsfindung für Roboter-Montageparameter auf, um zu prüfen, wie das Modell bei Berechnung, Prüfung und Übergabe abschneidet.
NeoHorse-1.5-Flash Preview kann jetzt über den offiziellen WeChat-Account von TokenRhythm für die Beta-Phase beantragt werden.
Dieser Artikel wurde von TokenRhythm bereitgestellt und von QbitAI mit Genehmigung übernommen; die Ansichten liegen beim ursprünglichen Autor.