Ipinaglunsad ni Wang Yunhe ang NeoHorse, unang agent-native model

Pagkatapos mag-entrepreneur, unang ipinakita ni Wang Yunhe ang kanyang mga resulta sa malalaking modelo.

Kinuha ng Quantum Bit, ang dating puno ng Huawei Noah's Ark Laboratory, Pangu Large Model Ang Kiyuan Rhythm, na itinatag ni Wang Yunhe, ay naglunsad ng unang Agent-Native model na NeoHorse.

Binibigyan ng suporta ng pang-ilalim na imprastruktura at teknolohiya sa Infra optimization ni Wuwen Xinqiong, kasama ang mga tim ng Tsinghua University at Peking University sa pag-aaral ng algorithm at paraan ng pag-train, upang magkasama nilang pag-aralan ang pagpapabuti ng paggamit ng data at epekto ng pag-train pagkatapos ng Agent.

Ang NeoHorse-1 ay may dalawang bersyon: 4B at 9B, na nakatuon sa isang set ng kakayahan na kailangan sa proseso ng Agent, kabilang ang paggamit ng mga kasangkapan, pagbabasa ng feedback mula sa kapaligiran, pagkilala sa mga kamalian, pag-adjust ng landas, at pagkumpleto ng gawain.

Sa 10 na pagtataya na kasama ang Harness Agent, paggamit ng mga kasangkapan, code, at pagsumbong ng mga utos, ang komprehensibong pagganap ng 4B model ay nakamit o lalong lumampas sa 9B base model pagkatapos ng Agentic Post-Training.

Bakit nagtatrabaho muli ang isang kumpanya na laging nagpapahalaga sa pagtatrabaho ng maraming modelo, at handa na ba ang Primal Rhythm na sumali sa mesa ng mga pangunahing modelo?

Batay sa sagot ni NeoHorse, hindi nagkaron ng ganitong pagbabago sa direksyon.

Ang modelo na ito ay higit na katulad ng mga karanasan sa pagpapatupad ng maraming modelo na nakumpuni ng Prime Rhythm, at una itong pumasok sa mga parametro ng modelo.

Patuloy na ang mga marka ang naging pangunahing batayan sa paghahambing ng mga modelo.

Ngunit kapag ang modelo ay simulan nang ilagay sa isang Agent system at magdala ng isang buong gawain, bumababa ang pagpapaliwanag ng isang magkakasunod na marka.

Sa isang gawain, hindi lang nagbibigay ang modelo ng isang tila makatwirang sagot, kundi patuloy ring binabasa nito ang feedback mula sa kaligiran, pinaproseso ang mga error, at inaadjust ang susunod na landas batay sa tunay na pag-unlad; iba-iba rin ang mga kinakailangang kakayahan sa bawat yugto.

Kaya nagbubuo ang team ng Primordial Rhythm ng isang paghuhusga.

Ang pagkakaroon ng isang hindi normalisadong modelo ay isang istruktura na magiging pangmatagalang bahagi ng industriya ng AI.

Mas maraming modelo at mas detalyadong paghahati ng trabaho, mas malinaw ang pagkakaiba sa presyo at kakayahan, kaya kailangan ng isang sistemang sagutin ang ilang tanong—

Anong model ang dapat gamitin sa hakbang na ito? Anong mga bahagi ang maaaring ipagkaloob sa mas mura na model? Kailan kailangan i-upgrade sa mas malakas na model sa pagpapatakbo at pagpapatupad? Pagkatapos ma-block ang isang path ng pagpapatupad, sino ang dapat magpaikot? Maaari ba ang mga iba’t ibang model na magbigay ng solusyon nang sabay-sabay at pagkatapos ay i-aggregate ang mga resulta?

Ang koponan ni Wang Yunhe ay tinatawag na itong sistema bilang Routing Harness (ang kanilang kaugnay na open-source project, OpenSquilla, ay nagsasama na ng maraming modelo, na nagpapahintulot sa detalyadong routing, pagbabago ng modelo, at pagtatrabaho ng maraming modelo habang tumatakbo ang Agent).

Gayundin, batay sa ideyang ito, tila walang malakas na dahilan para sa Primitive Rhythm na magtrabaho ng sarili nilang model. May sapat na pagkakataon sa merkado ang mga model, at ang paggamit ayon sa pangangailangan ay mas flexible.

habang patuloy na tumatakbo ang scheduling system, nagsisimula na mag-umpisa ang iba pang mga asset, tulad ng “Anong mga gawain ang nangangailangan ng anong kakayahan?”, “Sa anong hakbang madalas mabigo ang model?”, “Anong uri ng repair path ang epektibo?”, at “Anong mga resulta ang makakapasa sa environment validation?”.

Ang mga impormasyong ito ay nakakatulong sa pagpapabuti ng pagdedesisyon sa pagr-route, at samantala, ay nagsisimula nang magkaroon ng halaga sa pagtuturo.

Parang isang platform na nag-uugnay sa maraming brand at mga konsyumer. Ang demand, mga review, at feedback sa paggamit na nakalikha sa proseso ng pagbebenta, makakatulong upang matukoy ang mas angkop na mga user para sa mga produkto, at maaari ring maibalik sa pag-unlad ng produkto.

Ang proseso ng platform service market ay naging pinagkukunan ng data para sa susunod na pagpapabuti ng produkto.

Ang NeoHorse ay nagtatanggol sa pagpapalit ng ilang eksekutibong karanasan na nakumpuni sa Harness patungo sa kakayahan ng modelo.

Ang pinagmulan ng datos ng NeoHorse ay值得提及。

Ang pangunahang corpus nito ay ang pagpagsasama ng mga signal sa pagpapatupad ng Agent mula sa Routing Harness at ang mga pampublikong data upang buuin ang isang data system na nakatuon sa pagkatapos ng pagtuturo ng Agent.

Ang isang agent ay nag-iitak ng kompletong rekord ng pagpapatupad kapag natapos nito ang isang gawain sa Harness.

1. Input task → Tukuyin ng router kung anong kakayahan ang kailangan
2. → Pumili ng isang modelo
3. Ang modelo ay nagpapatakbo ng pag-iisip at pagtawag ng mga kasangkapan
4. → Mga resulta ng kapaligiran
5. → Patuloy ang pagpapatakbo ng modelo o nagkaron ng error
6. → Pagpapalit ng modelo ng sistema o pag-adjust ng landas
7. → Matapos o nabigo ang gawain

Madalas na nakatuon ang data ng mga karaniwang tanong at sagot sa dalawang dulo: "tanong" at "sagot".

Ang data ng Routing Harness ay naglalaman din ng iba pang ilang antas ng impormasyon: anong kakayahan ang kailangan ng gawain, anong desisyon sa pagpapatupad ang ginawa ng sistema, at anong feedback ang ibinigay ng kapaligiran.

Halimbawa, unang iniisip ng router na kailangan lang ng karaniwang modelo para sa isang gawain, ngunit matapos ang mga patuloy na pagkabigo sa pagpapatupad, itinataas ito sa isang mas makapangyarihang modelo kung saan natapos ang gawain.

Ang track na ito ay naglalaman ng higit pa sa isang pagkabigo.

Ang sistema ay makakakilala kung ang orihinal na pagtataya ng kakayahan ay maaaring masyadong mababa, saan nagkaron ng problema ang modelo, anong estratehiya ang ginamit ng mas malakas na modelo, alin sa mga execution path ang nakapasa sa pagsubok ng kalikasan, at ilang dagdag na Token at oras ang ginastos upang matapos ang gawain.

Mas mahalaga pa, ang observed na primitive rhythm ay hindi ang pagtataya ng isang modelo sa sarili nitong kakayahan, kundi ang横向 performance na natitirang mula sa maraming modelo habang nagtatrabaho sa magkakatulad na gawain.

Mayroong mga rekord ng pagpapatupad na may tagumpay, pati na rin ang mga nagsawa sa gitna at sinundan ng iba pang mga modelo.

Mula sa pananaw ng pagtuturo, maaaring magbigay pa ng higit pa ang mga nabigo mong trahektorya.

Ang final answer ay makakatulong sa model na malaman ang isang practicable na path, habang ang pagkabigo at proseso ng pagpapabuti ay nagdaragdag ng dalawang karagdagang uri ng kaalaman: kung saan madalas magkakaroon ng error at kung paano i-adjust pagkatapos ng error.

“Hindi lang ang mga resulta na ibinibigay ng maraming modelo, kundi pati na rin ang mga aktwal na landas na tinawag ng mga modelo sa loob ng task environment,” ito rin ay isang malinaw na katangian ng NeoHorse.

Ang pagpapaloob ng lahat ng mga log sa pagtatrabaho ay hindi tựmabigay ng isang mas malakas na Agent model.

Ang agent trajectory ay karaniwang mahaba, na may kasamang system prompts, user requests, mga parameter ng tool, resulta ng pagpapatupad, paulit-ulit na pagsubok, mga error message, at malaking dami ng intermediate output.

May ilang hakbang na may halagang pagsasanay, habang ang ilan ay mas malapit sa ingay. Mayroon ding mga trahektorya na kompletong proseso, ngunit ang resulta ay hindi tama.

Ang Primitive Rhythm ay kailangang unang lutasin ang tanong na "Anong mga data ang dapat matutunan ng modelo?"

Ayon sa teknikal na ulat, bawat trace ay dadaan sa struktural na pagsusuri upang matiyak na ang bawat hiling, sagot ng modelo, pagtawag sa kasangkapan, at mga resulta ng kapaligiran ay tugma.

Susunod, susuriin ng sistema ang kalidad ng pagpapatupad sa anim na dimensyon, kabilang ang pagkakamit ng layunin ng user, pagsumbong sa mga utos, ang paggamit ng mga kasangkapan ay makatotohanan, kung may sapat na ebidensya ang konklusyon, kung makakarecover ang sistema pagkatapos ng error, at kung ang modelo ay tumigil sa tamang panahon.

Dito pa rin ay kasali ang mga problema na madalas magkakalat sa pagtratrabaho ng Agent.

Ang pagtatapos ng gawain ay hindi katumbas ng pagkamit ng layunin ng gumagamit—ang paglalabas ng modelo na “natapos na ang gawain” ay nagpapakita lamang na tumigil na ang proseso ng pagsasagawa, hindi nagpapatotoo na ang output ay sumasapat sa mga hiling ng gumagamit.

Kaya, ang estado ng pagkumpleto, antas ng pagkamit ng layunin, ebidensya ng kapaligiran, at feedback ng gumagamit, ay dapat i-record bilang magkakaibang signal.

Pagkatapos ma-filter ang data, simulan ng routing signal na magpanagot ng isa pang papel.

Ang router ay mag-e-estimate ng kakayahan na kailangan ng gawain at magbuo ng mga signal na may iba’t ibang antas ng kakayahan. Sa proseso ng pagtuturo, ang NeoHorse ay magpaplanong ayusin ang urong ng mga sample, muna ang mga gawain na kailangan ng mas mababang kakayahan, at pagkatapos ay palakasin nang paulit-ulit ang mas kumplikadong mga track ng pagganap, habang nananatili ang coverage ng mga pangunahing gawain.

Ang paraan na ito ay tinatawag na Routing-Guided Curriculum, o routing-guided curriculum learning.

Sa simpleng pag-unawa, ang routing signal ay nagdedesisyon online kung sino ang gagawin ng task, at sa panahon ng pagtuturo, maaari itong sabihin sa model kung aling tasks ang mas mainam na matutunan muna at aling mga ito ay mas mainam na matutunan pagkatapos.

Bukod sa regular na supervised fine-tuning, ginamit ni NeoHorse ang On-Policy Distillation.

Maaaring maunawaan bilang pagpapahintulot sa mga mag-aaral na lutasin ang problema sa kanilang sariling paraan, bago magbigay ng gabay ang guro batay sa mga hakbang na natapos ng mag-aaral.

Sa ganitong paraan, ang teacher model ay nagtratrabaho sa mga problema na kakaharapin ng student model sa kasalukuyang distribusyon nito, hindi sa isang nakahandang set ng mga standard na error.

Matapos ang mga etapeng ito, ang mga karanasan na nakumpila mula sa matagal na pagsasagawa ng mga gawain ng maraming modelo ay simula nang gamitin sa post-training ng NeoHorse.

Batay sa mga resulta ng kasalukuyang teknikal na ulat, ang Agentic Post-Training ay nagdala ng patuloy na pagpapabuti sa dalawang sukat: 4B at 9B.

Sa mga ito, ang pangkalahatang pagganap ng NeoHorse-1-4B (ang macro average score ay tumataas mula sa 58.94 patungo sa 64.87) ay umabot na sa SOTA sa parehong sukat—nababawasan nito ang base model na Qwen3.5-4B sa lahat ng makukumpara na benchmark, at nangunguna sa pangkalahatang pagganap sa mga modelo na may sukat na 4B.

Ngunit ang SOTA ay hindi nangangahulugan na ang kakayahan ay pantay-pantay na ipinapalabas.

Sa mas detalyadong paghihiwalay ng mga resulta, nakikita na ang pagpapabuti ng 4B ay nakokusyo sa isang uri ng gawain.

Karaniwang may malinaw na proseso ng trabaho ang mga gawain na ito, maaaring obserbahan ang feedback ng kapaligiran, maaaring patunayan ang tagumpay at pagkabigo, at malinaw din ang pamantayan sa pagbibigay.

Halimbawa, sa isang project schedule task, ang base model ay nakahanap ng mga file sa working directory, ngunit hindi nagpatuloy sa pagbabasa ng isang email na naglalaman ng pinakabagong dependency constraints.

Nakapagbuo ito ng plano batay sa nasa labas na impormasyon at isinulat ang file sa maling lokasyon.

Ang model na tinapos ang pagtatrabaho ay patuloy na babasa ng mga bagong ebidensya, makikita na nagbago ang mga limitasyon, magrerecompute ng jadwal, verefikahin ang resulta, at i-save ang mga deliverable sa tamang lokasyon.

Ang pagkakaiba ng dalawa ay ipinapakita sa chain ng pagpapatakbo ng Agent.

Alam ng isang modelo kung paano gawin ang gawain, habang alam ng ibang modelo ang pagkakasunod-sunod ng buong proseso: pagkuha ng ebidensya, pag-update ng mga kundisyon, pagpapatupad, pag-verify, at pag-deliver.

Ang pagkamit ng SOTA sa parehong sukat ay hindi nangangahulugan na dapat ipagkaloob ang lahat ng mga gawain sa NeoHorse-1-4B. Mas nagmamalasakit ang Primitive Rhythm kung paano maingat na hatiin ang mga hangganan ng kakayahan ng iba’t ibang modelo.

Maaaring mapabawasan ang paggamit ng mas malalaking model kung ang isang gawain ay maaaring matapos nang tama ng 4B; hindi kailangang patuloy na i-upgrade sa pinakamahal na flagship model kung ang isang gawain ay maaaring matapos ng mas malakas na model; kapag tumataas pa ang antas ng kahirapan, ipapasa na sa mas malakas na model sa model pool.

Dito ay direktang nakakapag-uugnay ang Routing Harness at ang in-house na modelo.

Patuloy na ipinapalawak ng modelo ang saklaw ng gastos para sa mga gawain na kayang tanggihan, habang sinusuri ng sistema ng pagr-route ang kahirapan at pagganap ng gawain upang ilagay ang iba’t ibang kakayahan sa tamang posisyon.

Sa pagkakasabi nito, ang ugnayan ng ilang produkto ng Elementum ay naging mas malinaw din.

Ang unang antas ay ang OpenSquilla open source.

Sa pamamagitan ng libre, open-source, locally deployed, at desktop products, binabawasan ng Primordial Rhythm ang hadlang para sa mga developer sa paggamit ng multi-model Agent, habang nag-uugnay sa mga developer at mga entry point ng task.

Ang pangalawang layer ay ang TokenRhythm API.

Ito ay malapit sa “Chinese version ng OpenRouter,” na nag-aalok ng isang magkakasamang interface para sa pagtawag sa iba’t ibang modelo, upang tugunan ang mga pangangailangan ng mga developer at negosyo sa paggamit ng mga modelo, at samantala ay tumutulong sa mga tagagawa ng modelo na kumonekta sa mas maraming aplikasyon.

Hindi kailangan ng mga negosyo na i-adapter nang hiwalay ang maraming model interface upang mas madaling masukat, piliin, at palitan ang mga model.

Ang ikatlong layer ay ang serbisyo at kakayahang pag-deploy para sa mga negosyo.

Ang mga industriya tulad ng finansya at paggawa ay may iba’t ibang pangangailangan sa mga pribilehiyo, katatagan, private deployment, at garantisadong serbisyo, na nagbuo ng karagdagang oportunidad sa negosyo.

Ang ikapapat na antas ay ang NeoHorse.

Una ng NeoHorse ang pag-verify ng isang mahalagang koneksyon: Ang mga epektibong karanasan na ginawa sa proseso ng Harness, pagkatapos ay pinili at tinuruan, talagang may posibilidad na mapalitan bilang kakayahan ng modelo mismo.

Dito, unang lumabas ang resulta sa antas ng modelo ng business flywheel na naunang inihayag ni Primordial Rhythm.

Ang punto na ito ay nagdadala din ng posibilidad na mapabuti ang ekonomiya ng pag-iisip.

Kung makakapagpatuloy ang NeoHorse sa pagtatanggap ng isang malaking bilang ng mga gawain ng Agent na may mataas na frekwensiya at malinaw na mga pamantayan, magkakaroon ang platform ng karagdagang kakayahan sa pagpaplano ng sarili nitong suplay.

Maaaring pa-optimize ang mga gawain na ito sa pagpapababa ng gastos sa pag-iisip, pagpapabilis ng bilis ng sagot, at pagpapalakas ng katatagan, at magbigay din ng mas fleksibleng konpigurasyon para sa pagbibigay ng modelo. Habang patuloy na i-iterate ang modelo, may karagdagang potensyal para palawigin ang sakop nito sa mga gawain.

Sa pananaw na ito, ang layunin ng Primordial Rhythm ay parang pagkumpil ng mga proseso sa isang paggawa sistema.

Ang external model ecosystem ay nagtataguyod ng iba't ibang kakayahan, at ang Harness ang responsable sa pag-organisa at pagpapatupad; ang mga natutunan sa proseso ay ipapakilala sa susunod na pagpapabuti ng modelo.

Mula sa pagkonekta sa modelo, pagbibigay ng serbisyo, hanggang sa pagpapalit ng mga karanasan mula sa serbisyo bilang kakayahan ng modelo at pagpapabuti pa ng efisyensiya at kalidad, ito rin ay isang karagdagang hakbang na ginagawa ng Primordial Rhythm sa labas ng API aggregation platform.

Ang mga siklo sa konsepto ng Elemental Rhythm ay maaaring iugnay sa pamamagitan ng ilang mga business line:

1. Ang Routing Harness ay nag-uugnay sa mga developer at mga gawain ng Agent
2. → TokenRhythm API connection model para sa supply at demand ng pagtawag
3. → Ipinapatupad ng Harness, kumakalap ng ruta at track ng gawain
4. → Mga track na available ay pinili para sa pagtraine ng modelo
5. → Ang updated na model ay bumabalik sa Harness, sumali sa adapt task
6. → Paunlarin ang karanasan sa paggawa ng gawain, alamin ang mas mabuting bilis ng pagtugon at efficiency sa gastos
7. → Patuloy na paggamit, pagbabayad, at pagpapabuti ng efficiency sa pagpapatakbo
8. → Suportahan ang susunod na pagpapabuti ng serbisyo at pag-invest sa R&D

Ang isa sa mga pangunahing pagbabago ay ang mga trayektoriya na ginawa ng modelo, na hindi na lamang nagpapahinga sa pagkonsumo at pagtawag, kundi maaari ring maging pinagkukunan ng susunod na pagtatrabaho ng modelo.

Kapag natapos ng agent ang isang gawain, mas maraming pagmamasid ang Harness tungkol sa hangganan ng kakayahan.

Nabigo ang isang modelo, at alam ng sistema kung saan posibleng nangyari ang kakulangan sa kakayahan; sumakop nang matagumpay ang isang iba pang modelo, at natanggap ng sistema ang isang bagong solusyon; tinanggap o tinanggihan ng user ang resulta, at nagbigay ng karagdagang feedback.

Mas maraming gawain na akumula, mas tumpak ang pagpapasya sa routing; pagkatapos ay mas malapit sa totoong gawain ang mga trahektorya na pinili para sa pagtuturo; pagkatapos ay mas angkop ang modelo sa gawain, at mas mabuting gastos at karanasan ang maaaring makamit ng API service.

Kung maaaring magpatuloy ang siklo na ito sa matagal, ang pagkakaiba sa pagitan ng primal rhythm at karaniwang API aggregation platform ay magiging mas malalim sa pagdisenyo ng training task, paraan ng pagtatrabaho, at mga parameter ng modelo.

Ipapakita sa huli sa pamamagitan ng produkto na pagganap.

Ito ang konteksto kung saan ang Elemental Rhythm ay nagsimulang talakayin ang RSI (Recursive Self-Improvement, Recursive Self-Improvement).

Ang Primitive Rhythm ay kasalukuyang nag-verify ng saklaw ng RSI na mas malapit sa isang engineered loop, na maaaring i-split sa dalawang bahagi.

Ang unang isa ay Data-RSI.

Ang modelo ay patuloy na nagpapatupad ng mga gawain sa Harness, at bawat pagrute, pagtawag sa kasangkapan, pagbabalik mula sa pagkabigo, at kinalabasan ay gumagawa ng bagong structured na rekord.

Matapos magsagawa ng pagpili at pagproseso sa mga rekord, maaari itong maipasok sa pool ng data para sa susunod na pagtatrabaho. Dahil dito, ang mga data para sa pagtuturo ay hindi kailangang mag-umpisa lamang sa manual na paghahanda, kundi maaari ring tumubo habang patuloy na ginagamit ang sistema.

Ang pangalawa ay Model-RSI.

Ang sistema ay nakikilala ang mga kahinaan ng kasalukuyang modelo batay sa mga resulta ng pagsusuri, binabago ang distribusyon ng mga data para sa susunod na pagtatrayo, isinasaayos ang modelo, at ibinabalik ang bagong modelo sa Harness para sa pagpapatupad.

Ibig sabihin, natututo ang modelo mula sa karanasan sa pagpapatupad, at ang updated na modelo ay gumagamit ng mga bagong task execution upang magbigay ng bagong feedback para sa susunod na round ng pagtuturo.

Gayunpaman, batay sa kasalukuyang pampublikong impormasyon ni NeoHorse, hindi pa ito maaaring ituring bilang isang kompletong RSI.

Ang teknikal na ulat ay kasalukuyang nagpapatotoo sa isang "pagganap—pagsusuri—piliin—i-update" na loop. Ang disenyo ng signal, disenyo ng reward, at proseso ng pagtuturo ay patuloy na itinatakda ng tao, at kailangan ng karagdagang mga eksperimento upang matiyak kung ang mga iterasyon ng modelo sa maraming henerasyon ay magpapatuloy na makakakuha ng gain.

Kaya ang mas tumpak na pahayag ay ang NeoHorse ay natapos ang dalawang antas ng pag-verify sa paglalabas na ito.

Ang unang antas ay pangkalakalan: ang mga data na nakalap ng sistema ay maaaring gamitin para sa pag-train ng model at mapapalit sa masukat na pagpapabuti ng kakayahan.

Ang isa pang antas ay teknikal: pinamunuan ni Wang Yunhe ang isang startup team sa isang single-round engineering validation na nakatuon sa RSI.

Of course, for the story of Primal Rhythm to hold true, it still needs to overcome several hurdles.

Una, kaya ba ng open-source ecosystem na mapalipat nang patuloy sa paggamit ng API at kita.

Pangalawa, habang dumadami ang mga uri ng gawain, kaya ba ng sistema na magpatuloy na makakuha ng sapat na mataas na kalidad, mga trajektoriya ng Agent na gagamitin sa pagtuturo.

Ikatlo, pagkatapos mapabuti ang kakayahan ng modelo, makakapag-stabilize ba ito sa mas mahusay na karanasan at epekto sa gawain, at mas ipakita ito sa mga datos ng negosyo.

Ikaapat, gaano kalabas ang pagpapalakas ng kakayahan pagkatapos ng maraming pagpapabuti ng modelo.

Kailangan ng mas mahabang panahon para masuri ang mga tanong na ito.

At may isa pang hindi maiiwasang variable— DeepSeek 、Qwen、 MiniMax Ang mga tagagawa ng modelo ay nagpapalawak din sa mga produkto ng Harness at Agent, at ang trend ng pagsasama-samang pataas ng modelo at infrastruktura ng Agent ay naging mas malinaw.

Halimbawa ng Primitive Rhythm, ang isa sa mga pagkakaiba ng kumpanya ay ang model neutrality at ang cross-model comparative data na nabuo sa proseso ng pagpapatupad.

Ngunit kung sapat na malaki ang pagkakaiba sa kakayahan ng mga modelo, ang cross-model scheduling ay may potensyal na maging isang hiwalay na negosyo; kung ang mga lider na modelo ay paulit-ulit na kumakapit sa higit pang mga gawain, o kung ang mga manufacturer ay magpapakita ng Routing, tool invocation, at Agent framework bilang isang buong pakete, ang espasyo para sa intermediate layer ay mababawasan.

Kapag ang mga kakayahan sa itaas ay naging mas malakas at mas mura, bakit kailangan pa ang gitnang antas?

Para sa Primitive Rhythm, ang NeoHorse ay nagdagdag ng isang bagong pananaw sa tanong na ito.

Kanina ay patunay na ito ay “nagagamit ang modelo,” ngayon ay sinusubukan nito na patunayan na ang mga data na nakalikom mula sa matagal na paggamit ng modelo ay maaari ring magmula sa sariling kakayahan ng modelo.

Kung matagumpay itong daan, ang malalim na parian ng Elemental Rhythm ay hindi lamang nasa routing strategy; kung hindi ito matagumpay, ito ay patuloy na magtatagpo sa lahat ng mga problema na kinakaharap ng lahat ng intermediate layer ng model.

GitHub: https://github.com/TokenRhythm/NeoHorse

Hugging Face: https://huggingface.co/collections/TokenRhythm/neohorse-1

Ang artikulong ito ay galing sa WeChat public account na “Quantum Bit”, may-akda: Heng Yu