---
title: "AI大模型｜老模型被送回工地，分数真能涨吗？"
date: 2026-11-10
category: AI大模型
site: 脑机网
canonical: https://aiai.cafe/a/njw-193142
language: zh-CN
---

# AI大模型｜老模型被送回工地，分数真能涨吗？

> 11月9日，上海一家名为基元律动的公司发布了一个新模型，叫 NeoHorse-1.5-Flash Preview。发布材料里最特别的一句不是参数，而是流程：上一代模型没有被淘汰，它被重新放回了模型池，继续接真实任务，干完活，再把干活的过程收

11月9日，上海一家名为基元律动的公司发布了一个新模型，叫 NeoHorse-1.5-Flash Preview。发布材料里最特别的一句不是参数，而是流程：上一代模型没有被淘汰，它被重新放回了模型池，继续接真实任务，干完活，再把干活的过程收回去训练下一代。公司把这套做法称为递归自我改进的第二圈。

## 一个模型被送回工地
按澎湃新闻与新京报的报道，NeoHorse-1.5-Flash Preview 基于阿里的 Qwen3.8-Flash 训练，总参数 180B，每次推理只激活约 6B，主打智能体任务执行和软件工程能力，目前只开放限量内测。

把总参数和激活参数摆在一起看，这是当下最常见的做法：模型很大，但每次只叫醒一小部分。真正值得说的不是这个比例，而是它被送去干什么活。九月发布的 NeoHorse-1 用的是 4B、9B 这一档的训练尺度，两个月后直接跳到 Flash 档，中间没有重新造一个底座，而是把老模型放回去打工。

## 涨的分在哪几栏
据公司自己公布的对照评测，相比基座模型，新模型在 Agents’ Last Exam 上整体得分提高 9.23 分，在自然语言到代码仓库这项评测上提高 5.92 分。物理科学类任务提升超过 20 分，开发工具与测试、网页开发、安全认证与加密几个方向也有改善。

这组数字有个共同点：全是需要连着做几步、中途还要自己检查的任务。写一段话、答一道题，这类能力早就不是瓶颈；真正的难题是让它自己拆任务、自己找错、自己决定要不要重来。

发布材料里举的例子是表格网页：基座模型生成的计算单元格出现公式报错，新模型则把公式输入、计算结果和交互一起给了出来。

## 判卷的人是谁
这是最该追问的一处。9.23 分和 5.92 分由发布方自己给出，评测集是智能体与代码任务，不是中文日常场景。分数能不能代表普通用户手里的活，目前没有第三方复现。

公司把方法摊得比较开：多模型差分诊断负责找短板，对抗式环境进化负责生成新任务，群体智能在线学习则拿模型输出与多模型融合结果的差异当学习信号。

翻译成日常话：先让好几个模型做同一道题，再看新模型跟最优答案差在哪，差的那部分就是下一轮要补的课。

依托的是自家的多模型聚合平台 TokenRhythm。平台负责分派任务、汇集多个模型的结果，这些结果天然可比较，等于免费得到一份答案卷。同一时间，公司还更新了开源的智能体框架 OpenSquilla，改成按任务意图选择模型档位——接着做就沿用原档位，推倒重做就逐级升档。

## 便宜的那一档才是生意
从 4B、9B 到 Flash 档，这条路线透露的其实是成本选择。自我改进的每一圈都要跑大量真实任务，任务越复杂，调用费越贵。把模型压在小激活参数上，才跑得起这种循环。

这也解释了为什么它首发只有内测。循环跑起来需要的不是一次训练，而是持续的任务流；任务流从哪里来、由谁付费、产生的反馈有多少是噪声，这些问题在开放给所有人之前都得先有答案。

## 自我改进里最难的一件事
模型把自己放回训练池，这个说法听着像闭环，其实缺一环：谁来判断这一次干得好不好。代码任务有测试用例，对错清楚；可一旦任务变成写方案、整理资料、对接客户，好坏就没有自动判分器，只能靠人打分，而人的打分既慢又不一致。

所以这一圈涨的是有标准答案的那部分能力。它离传说中的自己进化还远，更像一个会做错题本的学生：错题本越厚，分数越稳，但题目的范围始终是别人划的。真正需要观察的，是下一版能不能在没人给出评分的情况下，自己判断哪一次值得学。

**免责声明：文中数据引自公开发布的报道与评测，不构成任何投资建议。**

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-193142
本内容仅供参考，不构成投资建议。