Agent与RSI陷入刷榜游戏：离开代码数学温室后怎么办？

2026 年下半年，预训练阶段的算力比拼慢慢退到了幕后，头部实验室几乎都把重心压到同一处：Agent 与 RSI（递归自我改进）。一级市场和学术界都在讲模型自我进化的故事，想拿合成数据和强化学习接上日渐枯竭的人类语料。可圈内一个不说破的事实是，多数所谓的自我迭代只要离开代码生成和数学推理这两个有明确验证标准的温室，进了复杂的真实业务流，很快会变成“左脚踩右脚”的刷榜游戏。

Z Finance 注意到，基元律动近日正式发布 NeoHorse-1.5-Flash Preview。此前两个月的 9 月，这支团队发布过 4B 和 9B 尺寸的 NeoHorse-1，还在 arXiv 上挂出一篇引来不少从业者讨论的技术报告。那时他们只验证了一件事：部署在真实任务上的 Routing Harness，本身就能成为模型观察自己、改进自己的机制。仅仅两个月后，这套机制转进了第二圈。

这次更新里，基元律动头一回把上一代模型放回真实任务环，让它自己跑完闭环、产出下一代，参数规模也直接拉到当下大模型最受关注的 Flash 档位。追踪并拆解完新模型的评测数据与底层架构后，Z Finance 看到一条和传统大厂不同的演进路径：单一模型厂商还在为后训练边际效应递减发愁时，站在多模型路由生态位上的基元律动，想把 RSI 从论文概念变成一台工业化运转的机器。

125B Flash 档位上的性价比账本与代际跃升

从公开技术参数看，NeoHorse-1.5-Flash Preview 是纯粹的 Agent 原生模型，基于 Qwen 3.8 Flash 做 RSI 进化，主模型参数 125B、激活参数 6B。

最新公布的 Agent Last Exam（ALE）高难度榜单上，NeoHorse-1.5 的跨领域代际提升相当明显。整体平均成绩涨了 9.23 分。物理科学任务提升超过 20 个点，医疗健康任务提升超 10 个点，工程任务提升超 13 个点，其他领域也涨了 14.13 分。

图1：ALE 榜单各领域表现对比图

另一项更贴近软件工程落地的 Natural Language to Repository（自然语言到代码仓库生成）评测，则反映它在长链路工程上的表现。NeoHorse-1.5-Flash Preview 整体得分从基座的 44.24 升到 50.16（+5.92）。安全认证与加密涨了 12.71 分（35.68 到 48.39），Web 开发与内容获取涨 10.56 分（51.19 到 61.76），开发工具与测试涨 9.74 分（34.92 到 44.66），通用编程、文本处理、系统自动化与数据分析等维度也有 3.6 至 5.4 分不等的增长。

图2：Natural Language to Repository

基元律动团队对模型怎么定位，内部的说法很直接：“不追求绝对 SOTA。”他们想的是在每一个参数量级上，把精度和性价比都顶到上限。说到底，这背后算的是一笔很实在的 Token 账。在真实的 Agent 工作流中，一次任务拆解、工具调用加上多轮环境试错，常常要烧掉数十万乃至上百万 Token。如果每次普通调用都搬出上万亿参数的旗舰模型，多数商业场景的 ROI 压根算不过来。Flash 档位是 125B 总参数、6B 激活参数，刚好落在推理延迟、调用成本与复杂逻辑能力三者之间的平衡点上。

这种向机制要效率的做法，两个月前第一圈迭代（NeoHorse-1）中就已经跑通。当时 Routing Harness 为每个任务预估的能力需求，被顺手组织成三阶段课程，省掉了人工数据配比。实验对比显示，同一训练配方下，Harness 积累的真实经验比公开 Agent 数据集平均高出 6.26 分，在 $$\tau^2\text{-Bench$$ 上高出 11.31 分；4B 模型均分从 58.94 提到 64.87，9B 从 65.60 提到 69.04。

到 1.5 版本，团队把 NeoHorse-1 放回模型池继续服务真实任务，跑完一整圈后训出了 125B 的下一代。前期的能力增益不但跨尺度保留了下来，第二圈还转得比第一圈更快。

实测拆解

刷榜分数只是账面数字。Agent 在真实生产环境里到底好不好用，取决于它能不能在长链路的工程环境里把任务真正走通。Z Finance 拿 NeoHorse-1.5-Flash Preview 与同量级基座模型（Qwen3.8-Flash-Next）做了同场实测，覆盖六个典型开源工程与业务场景。

输入和任务要求完全一致，两款模型被放进同一套真实运行环境，逐项比对从服务启动到最终业务交付的完整链路。

测试从 Web 全栈开发的一个经典任务开始：用 Flasky 搭博客系统，五步流程要完整跑通，也就是“从首页访问到账号注册确认”（01 同一起点 → 02 打开注册页 → 03 提交注册 → 04 登录并确认 → 05 看最终交付）。

第一步“首页可用”阶段，两边都能正常返回 200 状态码。可打开渲染页面就能看出差别：左侧的 NeoHorse-1.5 给出带深色导航栏和基础排版结构的页面，右侧模型只吐出没有样式的原始 HTML 列表。再往后走到提交注册和登录确认环节，工程完整度上的差异会直接影响多步状态能否顺利流转。

第二个切片对应榜单里涨幅最大的“安全认证与加密”领域：基于 fastapi-users 实现“注册、登录，再查到自己”。

测试用的是同一个演示用户，要求模型把整套流程依次跑通：启动服务、注册返回 201、登录返回 200，再带上凭证读取“我的账户”拿到 200。考的不只是代码生成，还有 Agent 对异步接口状态流转、JWT/Cookie 鉴权传递、数据库持久化这几环的端到端把控。

第三个场景落在“Web 开发与内容获取”里一个高频痛点上——用 jusText 做网页正文提取。

两边输入的是同一篇复杂网页，里面混着顶部导航栏、促销广告横幅、内联<script>脚本，还有社区花园的新闻正文。任务要求走完五个步骤：清理脚本、识别标题、留下正文、检查缺陷，把噪音精准剥掉，只保留干净的段落文本。

第四和第五个场景，压力给到了“数据存储与分析”和“AI 与科学计算”。

基于 pandarallel 的并行数据处理任务叫“订单：逐笔金额如何变成合计 100”。模型面前是三笔真实订单（Coffee 2×18、Tea 3×12、Cake 1×28），要完成多进程初始化、逐项并行计算（36、36、28），最后汇总成 100。另一个是基于 scikit-learn（sklearn）的“表格：六个数能否全部翻倍”：给一个三行两列的矩阵（1/10、2/20、3/30），接口限制很严——只提供 fit/transform，不提供 get_params——模型得在这种条件下接入自定义转换器，让每一行数据准确乘以二。

最后一个场景考的是“开发工具与测试”里的底层基本功——用 icecream 库做调试打印（“调试：把表达式和 72 一起打印”）。面对unit_price = 18、quantity = 4 以及 ic(unit_price * quantity)这样一段代码，模型要依次完成选择依赖路径、AST 提取表达式、打印结果、检查回退路径，既要算出 72，还得把源码表达式精准地带出来。

依赖路径怎么选、API 边界怎么限、跨步状态怎么保持，这六个测试案例挑中的正是实际写代码时最容易卡住的细节，规模谈不上宏大。NeoHorse-1.5 在这些环节更顺，关键就在于它不只是在静态代码库里做问答，还在真实执行环境中被反复打磨。

横在RSI面前的，有三道坎。

放到真实的工业场景里看，把第一轮自我改进跑通不算难事；真正难的是让这个飞轮一直转下去。

RSI的理想闭环说起来很直白：用户派任务，模型去做题，再做验证，然后训练，拿到更强的模型再接新任务。可到了通用Agent这一块，第二圈并不是把第一圈照着再跑一遍。模型团队面前摆着的，主要是三道坎。

头一道坎叫“自我诊断盲区”，卡在验证这一环。

写代码有测试脚本兜着，解数学题有标准答案对着，可落到真实的办公、浏览器操作、GUI交互这类任务上，压根没有非黑即白的判据。要是退一步，拿“模型当裁判”（LLM-as-a-Judge）来顶，就很容易被reward hacking钻了空子——看起来得分点全踩中了，任务实际上并没做完。更深一层的麻烦在于，模型并不清楚自己哪里不懂，让它给自己打分，系统也就无从判断下一步该朝哪个方向进化。最后常见的结局是benchmark分数越刷越高，真实体验却没什么长进。

第二道坎叫“分布坍缩”，卡在任务来源上。

眼下人类公开的高质量数据差不多见底了，公开的Agent数据集同质化也很厉害。要是把模型关在封闭环境里，让它自己出题自己做，数据分布只会越走越窄，掉进经典的model collapse（模型坍缩）里。反过来，光靠蒸馏一个更强的闭源模型，说到底只是跟在后面追，天花板被老师死死压住。这道坎翻不过去，模型能力很快会在一个狭窄分布上饱和，换到真实场景就玩不转了。

第三道坎叫“迭代效率”，堵在沉重的训练流程上。

过去做模型迭代，每转一圈都得重建环境、大规模合成、全量评测、离线重训。每一步都在烧卡烧时间，还得算法工程师全程盯着调参、定下一步的配比。等这一圈离线流程走完，几个月就过去了，外面的用户需求和前沿基座模型早换了模样。很多RSI方案之所以只停在论文里、上不了生产线，原因也在这里。

这三道坎能不能过，决定了RSI到底只是个漂亮概念，还是一台真能转起来的机器。NeoHorse-1.5的第二圈，基本上是围着这三道坎搭的。

生态位上的优势，以及三张技术牌

具体技术动作放到后面说，先得看清基元律动站的是什么生态位置。

RSI飞轮想一直转，核心燃料是“外部的新鲜信息”，也就是模型自己产不出来的那部分。单一模型厂商容易撞上瓶颈，原因就在于他们眼里只有自己的模型。基元律动做的则是一个“多模型 $$\time$$ 多Harness”双重接入的路由平台。

国内市场上，有的团队做多Harness（覆盖代码、办公、浏览器、GUI等执行环境），却只绑一个模型；也有的平台做多模型聚合路由，但只有一个Harness。两头都接上的，并不多见。

靠着双重接入，基元律动的Routing Harness每天在真实任务上调度整个前沿模型群体。站在路由这个视角上，他们能在同一个任务切面里看出：哪类任务谁强、谁弱、差多少。另一边，NeoHorse以Preview形态混在模型池中，和全球前沿模型同场干活，再加上团队自建的合成环境库与内源评测集，两个前置问题也就顺带解决了：有没有可比的参照系，有没有外部的新鲜分布。

图9 ：RSI飞轮全景

燃料备齐之后，基元律动在飞轮的诊断、环境、训练三个位置上各放了一项技术，对应前面那三道坎。

针对“自我诊断盲区”，他们给出的办法是“多模型差分诊断”。

这套模块的底座是自研 Harness OpenSquilla 已经上线的多模型融合能力。任务进来后不由单一模型作答，而是多个前沿模型同场给出结果，再融合成一个更优解。该功能原本服务于线上交付质量，副产品却正好给 RSI 提供了参照系：融合过程中每个模型各自做到什么、融合后的最优解是什么，逐任务形成一组可比的标尺。

把 NeoHorse 放进模型池，系统靠 Aggregator 在线差分，持续刻画它与各前沿模型之间的能力差距，生成一张动态的“能力缺陷画像”。别人用静态榜单打分，他们拿整个前沿模型群体当参照。画像直接决定下一轮训练往哪使劲：保住已有优势，补齐真实短板，再配合按真实任务分布生成的内源动态评测，不再对着榜单均匀撒数据。验得准、方向对，这是第二圈比第一圈快的第一个原因。

针对“分布坍缩”，团队搭了一套“对抗式环境进化引擎”。

在这套系统里，环境不是建好就固定的靶场，而是一个会自己繁衍的种群。引擎通过主动式环境繁衍实现“一拆多”，一个种子环境衍生出多个不同难度的候选。每轮筛选的压力来自“模型能不能做出来、认不认得出”，太简单和太熟悉的题目被淘汰，留下的任务能把分布往外推。

与此同时，模型在环境中面对的提问者不再是写死脚本，而是会追问、会改需求、甚至会反悔的“数字镜像交互体”。多轮任务的分布因此更接近真实人类需求，分布坍缩和能力过早饱和也就被避开了。

针对“迭代效率”，核心改动是“群体智能在线学习”。

算法层上，NeoHorse-1.5 换了一种更直接的更新方式。监督信号仍来自 OpenSquilla 的多模型融合：同一任务上，NeoHorse 自己的作答与多模型融合结果之间的“群体差分”，就是一份现成的、逐任务的教师信号。换句话说，教它的不是某个固定老师，而是一群老师同时在场。

模型一边在线上服务真实任务，一边直接拿这份群体差分当老师，on-policy地持续更新自己。诊断和训练共用同一个差分信号源，既指出差在哪，也直接教模型怎么补，第一圈验证过的路由引导课程学习与离线 RL 则继续作为底座保留。训练 Infra 上，团队把 RSI 的思路用到工程本身：让 AI 自动改写与调优算子，多个 AI 分工值守训练集群、自主决定下一步优化点。第三座山的本质是“人是瓶颈”，解法是把人从繁琐的运维环里拿出来，让环自己转。

结语

把整套架构串起来看：诊断决定方向，环境提供新鲜分布，训练以更高效的方式把经验训回模型。三项技术分别落在飞轮的三个位置上，共用同一个信号源——TokenRhythm × OpenSquilla 智能路由给出的课程信号，以及多模型融合给出的群体差分。这套打法能跑通，高度依赖其多模型路由平台的生态位。

回看过去两个月，NeoHorse-1 证明了 Harness 可以成为 RSI 的机制；NeoHorse-1.5-Flash Preview 则证明这套机制能转第二圈，而且第二圈比第一圈更快。

大模型下半场，单靠堆算力和人力去“炼”一个静态大模型，边际收益正在急速递减。对基元律动来说，第二圈显然不是终点，而是起点：从现在起，每一代 NeoHorse 都会被放回环里，去产出下一代。