11月10日，基元律动发布Agent原生模型NeoHorse-1.5-Flash预览版，目前限量内测。参数结构是总参数180B、每次激活6B，底座用的是通义千问3.8-Flash。官方定位不是通用聊天模型，而是把智能体任务执行与软件工程能力当成主战场。
对照评测给的是相对分数：相较底座，智能体综合考试整体提高9.23分，自然语言到代码仓库的评测提高5.92分，物理科学方向的提升超过20分，开发工具与测试、Web开发、安全认证与加密几个方向也有改善。相对分数不等于绝对水平，但能看出训练资源往哪边倾斜。
180B与6B的组合说明这是一套稀疏结构，单次推理只调用三十分之一的参数。这样做的好处是单位任务成本可控，适合被放进循环里反复调用；坏处是路由是否稳定会直接影响长任务的成功率，一旦某一步路由偏了，后面的步骤都会跟着偏。
选择通义千问3.8-Flash做底座，省掉的是从零预训练那一大段。基座已经具备基础的语言与代码能力，团队把资源集中投在后训练上，用智能体任务的执行轨迹去调。这条路在2026年变得常见，模型公司的差异化从"谁的底座更强"转向"谁的后训练更懂具体任务"。
官方把这次发布称为递归自我改进的第二圈。上一代NeoHorse-1在9月发布，规模是4B与9B，属于小参数试验；这次把训练尺度推到Flash档位，说明前一轮的方法论被验证过一轮，才敢放大。这个顺序值得记下来，先在小模型上跑通闭环，再放大，比反过来省钱得多。
涨分结构比总分更有信息量。物理科学任务提升超过20分，是各项里最大的；自然语言到代码仓库提升5.92分，属于第二档。前者需要多步推理与单位换算，后者需要在几十个文件之间保持上下文一致，两者的共同点是任务链条长、单步容错低。
反过来说，提升最小的方向是那些单轮就能答对的题。这符合后训练的一般规律，用执行轨迹去调，改的是"连续做对"的概率，不是"知道不知道"。所以看这类模型的评测，应该优先看多步任务的通过率，而不是单题正确率，后者很容易被基座本身的天花板限制住。
限量内测这个状态也需要读清楚。内测意味着并发与配额都受控，真实延迟与吞吐还没有公开数据，而智能体产品最怕的恰恰是长任务跑到一半被限流。对打算接入的团队来说，先测自己在意的那个任务链能否稳定跑完二十轮，比看榜单更实际。
这套方法的核心动作有点反直觉。团队把上一代模型重新放回模型池，让它接真实任务，收集执行反馈，再把这一代模型与它的表现差异拿出来，作为识别能力短板、确定训练方向的依据。模型既是产品，也是自己的对照组。
差异信号来自多模型融合。平台会让多个前沿模型处理同一个任务，形成可比较的执行结果，NeoHorse与这些结果之间的距离就是学习信号。这里有一步很关键，路由系统提供的是任务能力需求的信号，也就是这个任务需要什么档位的能力，而不只是"这道题谁答对了"。
把"谁能做对"换成"这个任务需要什么能力"，改变的是数据的用法。前者只能产出对错标签，后者能产出能力画像，进而告诉训练端该补哪一块。这也是为什么官方强调路由与融合是一体的，缺了路由，多模型对比就退化成打榜。
发布翌日，开源智能体产品OpenSquilla跟着更新。新规则是按任务意图选择模型档位，继续同一个任务时沿用原来的档位，判定需要重做时才逐级升档。这条规则解决的是一个很具体的浪费：任务做到第七步才发现第四步就错了，如果每次都从头用最强模型重跑，成本会翻好几倍。
配套的还有配置的独立更新。推荐方案可以单独更新，用户不必升级客户端就能预览差异并确认应用，本期推荐配置也按11月的模型榜单做了调整。把推荐配置做成可独立推送的东西，等于把选型从一次性决策变成了持续运营，这对多模型平台是必要的。
这套设计隐含一个判断，执行侧的模型选择应该跟着评测结果持续变化，而不是绑定在某个版本上。对企业的意义在于，不必为了换模型而改一遍集成，只需要接受一次推荐配置的变更。前提是推荐逻辑足够透明，否则采购方无法解释为什么这个月账单变高了。
第一个没答的问题是数据来源的边界。把上一代模型放回池子收集执行反馈，等于让模型在真实业务里干活，这些任务的输入可能包含客户数据。训练信号从哪来、脱敏做到什么程度、客户是否知情，官方没有展开，而这恰恰是企业采购时最先问的一项。
第二个代价是对基座的依赖。底座是别人的，后训练是自己的，一旦基座停止维护或改了接口，整条后训练链路都要重做。这种依赖在小规模时无所谓，规模上来之后会变成议价能力的缺口，尤其是在基座方自己也做智能体产品的情况下。
第三个问题是评测的可比性。官方给的是相对底座的提升，而底座本身在榜单上的位置会随版本变化，绝对水平因此很难横向比较。真正想判断这套模型值不值得用，还是得拿自己的任务链跑一遍，看二十轮之后还剩多少成功率，这项数据任何厂商都给不了。