Khởi nghiệp của Vương Vân Hợp ra mắt NeoHorse, mô hình đầu tiên native agent

Sau khi khởi nghiệp, Vương Vân Hạc đã nộp thành quả đầu tiên về mô hình lớn.

Quantum Position biết rằng, cựu giám đốc Phòng thí nghiệm Noah's Ark của Huawei, Pangu Large Model Công ty Yuan Yuan Lü Dong do ông Vương Vân Hạc sáng lập đã ra mắt mô hình đầu tiên mang tên NeoHorse.

Mô hình này được hỗ trợ bởi cơ sở hạ tầng và năng lực tối ưu hóa Infra do Wuwen Xinqiong cung cấp, với sự tham gia của các đội ngũ từ Đại học Thanh Hoa và Đại học Bắc Kinh trong nghiên cứu thuật toán và phương pháp huấn luyện, cùng nhau khám phá cách nâng cao hiệu quả sử dụng dữ liệu và kết quả huấn luyện sau cho Agent.

NeoHorse-1 bao gồm hai phiên bản 4B và 9B, tập trung vào một nhóm năng lực cần thiết trong quá trình hoạt động của Agent, bao gồm gọi công cụ, đọc phản hồi từ môi trường, phát hiện lỗi, điều chỉnh lộ trình và hoàn thành nhiệm vụ cuối cùng.

Trong 10 đánh giá bao gồm Harness Agent, cách sử dụng công cụ, mã và tuân thủ lệnh, sau khi Agentic Post-Training, hiệu suất tổng thể của mô hình 4B đã đạt/ngang vượt mô hình cơ sở 9B.

Một công ty luôn nhấn mạnh vào sự hợp tác giữa các mô hình, tại sao lại bắt đầu tự huấn luyện mô hình? Primordial Rhythm có chuẩn bị gia nhập bàn cờ mô hình nền tảng không?

Từ câu trả lời của NeoHorse, hướng không có sự thay đổi như vậy.

Mô hình này giống như lần đầu tiên tích hợp kinh nghiệm thực thi đa mô hình mà Primitive đã tích lũy trước đây vào tham số mô hình.

Trong suốt thời gian qua, điểm số thường trở thành tiêu chí chính để so sánh các mô hình.

Nhưng khi mô hình bắt đầu được đưa vào hệ thống Agent và đảm nhận các nhiệm vụ hoàn chỉnh, khả năng giải thích của điểm số đơn lẻ sẽ giảm xuống.

Trong một nhiệm vụ, mô hình không chỉ cần đưa ra một câu trả lời có vẻ hợp lý, mà còn phải liên tục đọc phản hồi từ môi trường trong quá trình thực hiện, xử lý lỗi và điều chỉnh các lộ trình tiếp theo dựa trên tiến độ thực tế; các giai đoạn khác nhau yêu cầu các năng lực khác nhau của mô hình.

Từ đó, đội ngũ Primitive Rhythm đã đưa ra một phán đoán.

Việc mô hình không được chuẩn hóa sẽ là một cấu trúc tồn tại lâu dài trong ngành công nghiệp AI.

Số lượng mô hình càng nhiều, sự phân công càng chi tiết, sự khác biệt về giá cả và năng lực càng rõ rệt, thì càng cần một hệ thống để trả lời vài câu hỏi—

Nên sử dụng mô hình nào cho bước này? Những khâu nào có thể giao cho mô hình chi phí thấp hơn? Khi nào cần nâng cấp lên mô hình có khả năng suy luận và thực thi mạnh hơn? Sau khi một đường dẫn thực thi bị chặn, nên chuyển cho ai tiếp quản? Có thể cho nhiều mô hình cùng chạy song song để đưa ra phương án, sau đó tổng hợp kết quả không?

Đội ngũ Vương Vân Hạc gọi hệ thống lớp này là Routing Harness (dự án mã nguồn mở liên quan OpenSquilla đã tích hợp nhiều mô hình, thực hiện định tuyến tinh tế, chuyển đổi mô hình và hợp tác đa mô hình trong quá trình chạy Agent thông qua giao diện thống nhất).

Tương tự, dựa trên tư tưởng này, Primitive Rhythm dường như không có lý do mạnh mẽ nào để tự huấn luyện mô hình. Thị trường đã có đủ nguồn mô hình phong phú, việc gọi mô hình theo nhu cầu trông có vẻ linh hoạt hơn.

Khi hệ thống điều phối tiếp tục chạy, một loại tài sản khác bắt đầu tích tụ, chẳng hạn như “nhiệm vụ nào cần năng lực gì”, “mô hình dễ thất bại ở bước nào”, “đường dẫn khắc phục nào hiệu quả”, “kết quả nào có thể vượt qua xác minh môi trường”.

Thông tin này một mặt có thể cải thiện việc đưa ra quyết định định tuyến, mặt khác bắt đầu có giá trị để huấn luyện.

Điều này giống như một nền tảng kết nối nhiều thương hiệu với người tiêu dùng. Nhu cầu, đánh giá và phản hồi sử dụng tích lũy trong quá trình giao dịch có thể giúp sản phẩm tìm được người dùng phù hợp hơn, đồng thời cung cấp phản hồi thêm cho quá trình phát triển sản phẩm.

Quá trình thị trường dịch vụ nền tảng trở thành nguồn dữ liệu cho lần cải tiến sản phẩm tiếp theo.

NeoHorse có nhiệm vụ chuyển đổi một phần kinh nghiệm thực thi được tích lũy trong Harness thành khả năng mô hình.

Nguồn dữ liệu của NeoHorse đáng để lưu ý.

Ngữ liệu cốt lõi của nó là kết hợp tín hiệu thực thi Agent do Routing Harness tạo ra với dữ liệu công khai để xây dựng hệ thống dữ liệu dành cho giai đoạn sau huấn luyện Agent.

Agent khi hoàn thành một nhiệm vụ trong Harness sẽ để lại hồ sơ thực thi đầy đủ.

1. Nhập nhiệm vụ → Bộ định tuyến xác định cần khả năng gì
2. → Chọn một mô hình
3. → Mô hình thực hiện suy luận và gọi công cụ
4. → Kết quả trả về từ môi trường
5. → Mô hình tiếp tục thực hiện hoặc xảy ra lỗi
6. → Hệ thống chuyển đổi mô hình hoặc điều chỉnh đường dẫn
7. → Nhiệm vụ hoàn thành hoặc thất bại

Dữ liệu FAQ thường tập trung ở hai đầu: “câu hỏi” và “đáp án”.

Dữ liệu của Routing Harness còn bao gồm vài lớp thông tin khác: nhiệm vụ yêu cầu những năng lực gì, hệ thống đã đưa ra quyết định thực thi nào, và môi trường cuối cùng đã cung cấp phản hồi gì.

Ví dụ: bộ định tuyến ban đầu cho rằng một nhiệm vụ chỉ cần mô hình thông thường, nhưng sau khi liên tục thất bại trong quá trình thực thi, nó đã nâng cấp lên mô hình mạnh hơn và nhiệm vụ mới được hoàn thành.

这条轨迹包含的信息远多于一次失败。

Hệ thống có thể biết được rằng đánh giá năng lực ban đầu có thể quá thấp, mô hình gặp vấn đề ở bước nào, mô hình mạnh hơn đã áp dụng chiến lược nào, con đường thực thi nào cuối cùng đã vượt qua xác minh môi trường, cũng như đã tiêu tốn thêm bao nhiêu Token và thời gian để hoàn thành nhiệm vụ.

Quan trọng hơn, điều mà Nguyên Lệ Động quan sát được không phải là sự đánh giá của một mô hình về khả năng của chính nó, mà là hiệu suất ngang hàng mà nhiều mô hình để lại khi đối mặt với các nhiệm vụ tương tự.

Trong đó có cả các bản ghi thực thi thành công lẫn những bản ghi thất bại giữa chừng, sau đó được các mô hình khác tiếp nhận.

From a training perspective, failure trajectories may even provide more information.

Câu trả lời cuối cùng có thể chỉ cho mô hình một con đường khả thi, trong khi quá trình thất bại và sửa chữa bổ sung hai loại kiến thức khác: những nơi dễ xảy ra lỗi và cách điều chỉnh sau khi xảy ra lỗi.

Ngoài kết quả do nhiều mô hình đưa ra, còn có các lộ trình thực tế mà nhiều mô hình đã đi qua trong môi trường nhiệm vụ, đây cũng là một điểm nhận diện nổi bật của NeoHorse.

Việc đổ tất cả nhật ký vào huấn luyện sẽ không tự động tạo ra một mô hình Agent mạnh hơn.

Quỹ đạo của tác nhân thường rất dài, chứa đầy các lời nhắc hệ thống, yêu cầu của người dùng, tham số công cụ, kết quả thực thi, nỗ lực lặp lại, thông báo lỗi và nhiều đầu ra trung gian.

Một số bước có giá trị huấn luyện, một số khác lại gần như nhiễu. Ngoài ra, có một số quy trình quỹ đạo hoàn chỉnh nhưng kết quả lại không chính xác.

Nguyên lý nhịp điệu đầu tiên cần giải quyết vấn đề “những dữ liệu nào đáng để mô hình học”.

Theo báo cáo kỹ thuật, mỗi chuỗi sẽ được kiểm tra cấu trúc để xác minh sự tương ứng giữa yêu cầu, phản hồi của mô hình, gọi công cụ và kết quả môi trường.

Sau đó, hệ thống sẽ đánh giá chất lượng thực thi dựa trên sáu khía cạnh, bao gồm việc có hoàn thành mục tiêu của người dùng hay không, có tuân thủ lệnh hay không, việc sử dụng công cụ có hợp lý hay không, kết luận có được hỗ trợ bởi bằng chứng hay không, khả năng phục hồi sau khi xảy ra lỗi, và liệu mô hình có kết thúc nhiệm vụ vào thời điểm phù hợp hay không.

Ở đây cũng liên quan đến các vấn đề thường bị nhầm lẫn trong quá trình huấn luyện Agent.

Việc kết thúc nhiệm vụ không có nghĩa là mục tiêu của người dùng đã được đáp ứng—việc mô hình đầu ra “nhiệm vụ đã hoàn thành” chỉ cho thấy quy trình thực thi đã dừng lại, không chứng minh được sản phẩm giao nhận đáp ứng yêu cầu của người dùng.

Do đó, trạng thái hoàn thành, mức độ đáp ứng mục tiêu, bằng chứng môi trường và phản hồi người dùng cần được ghi nhận như các tín hiệu khác nhau.

Sau khi dữ liệu được lọc xong, tín hiệu định tuyến bắt đầu phát huy vai trò khác.

Bộ định tuyến sẽ ước lượng năng lực cần thiết cho nhiệm vụ và tạo ra các tín hiệu ở các cấp độ năng lực khác nhau. NeoHorse trong quá trình huấn luyện sẽ sắp xếp thứ tự mẫu dựa trên điều này, bắt đầu bằng các nhiệm vụ yêu cầu năng lực thấp hơn, sau đó dần tăng dần độ phức tạp của các quỹ đạo thực thi, đồng thời duy trì phạm vi bao phủ các nhiệm vụ cơ bản.

Phương pháp này được gọi là Routing-Guided Curriculum, tức là học có định hướng theo lộ trình.

Hiểu một cách đơn giản hơn, tín hiệu định tuyến quyết định trên mạng ai sẽ thực hiện nhiệm vụ, và trong giai đoạn huấn luyện, nó còn có thể hướng dẫn mô hình biết nên học nhiệm vụ nào trước, nhiệm vụ nào sau.

Ngoài việc tinh chỉnh giám sát thông thường, NeoHorse còn sử dụng On-Policy Distillation.

Có thể hiểu là để học sinh giải bài theo cách của riêng mình, sau đó giáo viên đưa ra hướng dẫn dựa trên các bước thực tế mà học sinh đã thực hiện.

Như vậy, mô hình giáo viên sẽ xử lý những vấn đề mà mô hình học sinh sẽ gặp phải trong phân phối hiện tại, thay vì một bộ lỗi chuẩn đã được chuẩn bị sẵn.

Sau những giai đoạn này, kinh nghiệm tích lũy từ các nhiệm vụ thực thi dài hạn của nhiều mô hình bắt đầu được áp dụng vào quá trình hậu huấn luyện của NeoHorse.

The results from the current technical report show that Agentic Post-Training delivers consistent improvements across both the 4B and 9B scales.

Trong đó, hiệu suất tổng thể của NeoHorse-1-4B (điểm trung bình vĩ mô tăng từ 58,94 lên 64,87) đã đạt mức SOTA cùng quy mô—vượt trội so với mô hình nền tảng Qwen3.5-4B trên tất cả các bộ dữ liệu so sánh được và dẫn đầu tổng thể trong các mô hình cùng quy mô 4B.

But SOTA does not mean capabilities are evenly distributed.

Khi phân tích chi tiết kết quả, có thể thấy sự cải thiện của mô hình 4B chủ yếu tập trung vào một loại nhiệm vụ cụ thể.

Các nhiệm vụ này thường có quy trình làm việc tương đối rõ ràng, phản hồi môi trường có thể được quan sát, thành công và thất bại có thể được xác minh, và tiêu chí giao hàng cuối cùng cũng khá rõ ràng.

Ví dụ, trong một nhiệm vụ lập lịch dự án, mô hình cơ bản dù đã tìm thấy tệp trong thư mục làm việc, nhưng lại không tiếp tục đọc email chứa các ràng buộc phụ thuộc mới nhất.

Kết quả, nó tạo kế hoạch dựa trên thông tin đã hết hạn và ghi tệp vào vị trí sai.

Mô hình sau khi huấn luyện sẽ tiếp tục đọc các bằng chứng mới, phát hiện rằng các ràng buộc đã thay đổi, tính toán lại lịch trình, xác minh kết quả, rồi lưu tài sản giao dịch vào đúng vị trí.

Sự khác biệt giữa hai bên thể hiện trên chuỗi thực thi Agent.

Một mô hình大致 biết cách thực hiện nhiệm vụ, trong khi mô hình kia đã có thể kết nối liền mạch các bước: thu thập bằng chứng, cập nhật ràng buộc, thực thi, xác minh và giao nhận.

Đạt đến SOTA ở quy mô tương đương không có nghĩa là phải để NeoHorse-1-4B đảm nhận tất cả các nhiệm vụ. Nguyên lý nhịp điệu quan tâm hơn đến việc phân chia tinh tế ranh giới năng lực của các mô hình khác nhau.

Các nhiệm vụ có thể được thực hiện ổn định bởi mô hình 4B sẽ giảm việc gọi đến các mô hình lớn hơn; các nhiệm vụ có thể được thực hiện bởi mô hình mạnh hơn cũng không cần liên tục nâng cấp lên mô hình cao cấp nhất với giá cao nhất; khi độ khó tiếp tục tăng lên, các nhiệm vụ sẽ được chuyển cho các mô hình mạnh hơn trong hồ sơ mô hình.

Đây chính là điểm kết nối giữa Routing Harness và mô hình tự phát triển.

Mô hình liên tục mở rộng khoảng chi phí có thể gánh chịu cho các nhiệm vụ, trong khi hệ thống định tuyến sẽ đặt các năng lực khác nhau vào vị trí phù hợp dựa trên độ khó và tình trạng thực hiện nhiệm vụ.

At this point, the relationship between the various product lines of Element Dynamics has become clearer.

Lớp đầu tiên là phiên bản mã nguồn mở OpenSquilla.

Primitives Pulse giảm rào cản cho các nhà phát triển trong việc sử dụng Agent đa mô hình thông qua các sản phẩm miễn phí, mã nguồn mở, triển khai tại chỗ và trên máy tính để bàn, đồng thời kết nối các nhà phát triển với các điểm vào nhiệm vụ.

Lớp thứ hai là TokenRhythm API.

Nó có vị trí tương tự như “OpenRouter của Trung Quốc”, cung cấp khả năng gọi các mô hình khác nhau thông qua giao diện thống nhất, đáp ứng nhu cầu sử dụng mô hình của các nhà phát triển và doanh nghiệp, đồng thời giúp các nhà cung cấp mô hình kết nối với nhiều ứng dụng thực tế hơn.

Doanh nghiệp không cần phải tích hợp riêng lẻ nhiều giao diện mô hình, giúp dễ dàng đánh giá, lựa chọn và chuyển đổi mô hình.

Lớp thứ ba là dịch vụ và khả năng triển khai dành cho doanh nghiệp.

Các ngành như tài chính, sản xuất có những yêu cầu khác nhau về quyền truy cập, độ ổn định, triển khai riêng và bảo đảm dịch vụ, từ đó tạo ra không gian thương mại mới.

Lớp thứ tư mới là NeoHorse.

NeoHorse đã xác minh một kết nối quan trọng: những kinh nghiệm hiệu quả được tạo ra trong quá trình thực thi Harness, sau khi được lọc và huấn luyện, thực sự có khả năng được chuyển hóa thành năng lực của chính mô hình.

From this, the business flywheel previously proposed by Primitive Oscillation has for the first time produced results at the model level.

Điều này cũng mang lại khả năng tối ưu hóa kế toán kinh tế suy luận.

Nếu NeoHorse sau này có thể ổn định tiếp nhận một lượng lớn nhiệm vụ Agent có tần suất cao và tiêu chuẩn rõ ràng, nền tảng sẽ có thêm một nguồn cung năng lực có thể tự điều phối.

Các nhiệm vụ này có thể được tối ưu hóa thêm về chi phí suy luận, tốc độ phản hồi và độ ổn định, đồng thời giúp cấu hình cung cấp mô hình linh hoạt hơn. Khi mô hình tiếp tục được cập nhật, phạm vi nhiệm vụ mà nó có thể bao phủ vẫn còn tiềm năng mở rộng thêm.

Từ góc độ này, điều mà Primitive Rhythm muốn làm hơi giống với sự tích lũy quy trình trong hệ thống sản xuất.

Hệ sinh thái mô hình bên ngoài cung cấp các khả năng khác nhau, Harness chịu trách nhiệm tổ chức và thực thi; kinh nghiệm tích lũy trong quá trình thực thi sẽ được đưa vào vòng cải tiến mô hình tiếp theo.

Từ việc kết nối mô hình, cung cấp dịch vụ, đến chuyển hóa kinh nghiệm phát sinh từ dịch vụ thành năng lực mô hình, đồng thời cải thiện thêm hiệu quả và chất lượng, đây cũng là một bước đi xa hơn của Nguyên Lệ Động ngoài nền tảng tổng hợp API.

Các chu kỳ trong ý tưởng về Nguyên lý Dao động có thể được kết nối bằng vài đường kinh doanh:

1. Routing Harness kết nối nhà phát triển với các tác vụ Agent
2. → Mô hình kết nối API TokenRhythm cung cấp và nhu cầu gọi
3. → Được thực hiện bởi Tổ chức Harness, tích lũy lộ trình và quỹ đạo nhiệm vụ
4. Các quỹ đạo khả dụng đã được lọc để sử dụng trong huấn luyện mô hình
5. → Mô hình đã được cập nhật trả về Harness, tham gia vào nhiệm vụ thích ứng
6. → Cải thiện trải nghiệm nhiệm vụ, khám phá tốc độ phản hồi và hiệu quả chi phí tốt hơn
7. → Tăng cường sử dụng, thanh toán và hiệu quả hoạt động
8. → Hỗ trợ việc hoàn thiện dịch vụ và đầu tư nghiên cứu và phát triển cho vòng tiếp theo

Một trong những thay đổi quan trọng là quỹ đạo do mô hình tạo ra không còn chỉ dừng lại ở các giai đoạn tiêu thụ và gọi, mà còn có thể trở thành nguồn dữ liệu cho đợt huấn luyện mô hình tiếp theo.

Mỗi khi agent hoàn thành một nhiệm vụ, Harness sẽ có thêm một lần quan sát về ranh giới năng lực.

Một mô hình thất bại, hệ thống biết được khoảng trống năng lực có thể xuất hiện ở đâu; một mô hình khác thành công tiếp nhận, hệ thống nhận được một đường dẫn sửa chữa mới; người dùng cuối cùng chấp nhận hoặc từ chối kết quả, cung cấp thêm một lớp phản hồi bên ngoài.

Càng nhiều nhiệm vụ được tích lũy, việc định tuyến càng có thể chính xác hơn; khi việc định tuyến chính xác hơn, các quỹ đạo huấn luyện được lọc ra cũng sẽ gần với nhiệm vụ thực tế hơn; khi mô hình phù hợp hơn với nhiệm vụ, dịch vụ API lại có cơ hội đạt được chi phí và trải nghiệm tốt hơn.

Nếu chu kỳ này có thể duy trì lâu dài, sự khác biệt giữa nguyên lý dao động và các nền tảng tổng hợp API thông thường cũng sẽ dần dần mở rộng từ các quy tắc định tuyến và danh sách mô hình sang thiết kế nhiệm vụ huấn luyện, phương pháp huấn luyện và tham số mô hình.

Cuối cùng, điều này sẽ được thể hiện thông qua hiệu suất sản phẩm.

Đây là bối cảnh khi Nguyên Lệ Động bắt đầu nói về RSI (Recursive Self-Improvement, Tự cải tiến đệ quy).

Hiện tại, nguyên lý dao động đang xác minh phạm vi RSI gần với một vòng lặp kỹ thuật khép kín, có thể chia thành hai phần.

Đầu tiên là Data-RSI.

Mô hình liên tục thực hiện các tác vụ trong Harness, mỗi lần định tuyến, gọi công cụ, phục hồi khi thất bại và kết quả cuối cùng đều tạo ra bản ghi có cấu trúc mới.

Sau khi được lọc và xử lý, những bản ghi này có thể được đưa vào hồ sơ dữ liệu đào tạo tiếp theo. Do đó, dữ liệu đào tạo không cần phải hoàn toàn phụ thuộc vào việc chuẩn bị trước bởi con người, mà có thể tăng lên theo thời gian sử dụng hệ thống.

Thứ hai là Model-RSI.

Hệ thống dựa trên kết quả đánh giá để xác định điểm yếu của mô hình hiện tại, điều chỉnh phân bố dữ liệu đào tạo cho vòng tiếp theo, cập nhật mô hình, rồi đưa mô hình mới trở lại Harness để thực thi.

Nói cách khác, mô hình học từ kinh nghiệm thực thi, mô hình đã được cập nhật lại thực hiện các nhiệm vụ mới để tạo ra phản hồi mới cho vòng đào tạo tiếp theo.

Tuy nhiên, dựa trên thông tin công khai hiện tại của NeoHorse, chưa thể coi hệ thống này là RSI hoàn chỉnh.

Báo cáo kỹ thuật hiện tại xác minh một vòng lặp đóng “thực hiện—đánh giá—chọn lựa—cập nhật”. Thiết kế tín hiệu, thiết kế phần thưởng và quy trình huấn luyện vẫn do con người thiết lập; cần thêm nhiều thí nghiệm để xác nhận liệu các mô hình qua nhiều thế hệ có tiếp tục đạt được lợi ích ổn định hay không.

Do đó, cách diễn đạt chính xác hơn là lần phát hành này của NeoHorse đã hoàn thành hai lớp xác minh.

Một lớp là về mặt thương mại, dữ liệu được tích lũy bởi hệ thống có thể được sử dụng để huấn luyện mô hình và chuyển hóa thành những cải thiện có thể đo lường được.

Một lớp khác là về mặt kỹ thuật, Vương Vân Hạc đã dẫn dắt đội ngũ khởi nghiệp thực hiện một lần xác minh kỹ thuật tập trung vào hướng RSI.

Of course, for the story of Primordial Rhythm to hold true, several hurdles still need to be overcome.

Đầu tiên, hệ sinh thái mã nguồn mở có thể liên tục chuyển hóa thành việc sử dụng API và doanh thu không.

Thứ hai, khi số lượng loại nhiệm vụ tăng lên, hệ thống có thể liên tục thu được đủ lượng quỹ đạo Agent chất lượng cao để dùng trong huấn luyện không.

Thứ ba, sau khi năng lực mô hình được cải thiện, liệu nó có thể ổn định chuyển hóa thành trải nghiệm và hiệu suất thực thi tốt hơn, đồng thời thể hiện rõ hơn trên các dữ liệu kinh doanh.

Thứ tư, sau nhiều vòng lặp mô hình, lợi ích về năng lực sẽ tiếp tục duy trì trong bao lâu.

These issues require longer observation.

Và còn một biến số không thể bỏ qua— DeepSeek 、Qwen、 MiniMax Các nhà sản xuất mô hình cũng đang mở rộng sang các sản phẩm Harness và Agent, xu hướng tích hợp dọc giữa mô hình và hạ tầng Agent ngày càng rõ rệt.

Lấy ví dụ về Primitive Rhythm, một trong những điểm khác biệt hiện tại của công ty là tính trung lập mô hình và dữ liệu so sánh ngang hàng được hình thành trong quá trình thực thi xuyên mô hình.

Tuy nhiên, nếu sự khác biệt về năng lực giữa các mô hình đủ lớn, việc lập lịch xuyên mô hình có thể trở thành một ngành kinh doanh độc lập; nếu các mô hình hàng đầu dần mở rộng sang nhiều nhiệm vụ hơn, hoặc các nhà sản xuất tự đóng gói Routing, gọi công cụ và khung Agent cùng nhau, không gian dành cho lớp trung gian sẽ bị thu hẹp.

Khi năng lực phía trên ngày càng mạnh mẽ và rẻ hơn, tại sao lớp trung gian này vẫn cần tồn tại?

Đối với nguyên lý nhịp điệu, NeoHorse ít nhất đã mang đến một góc nhìn mới cho vấn đề này.

Trước đây, nó đã chứng minh được khả năng “sử dụng mô hình”, giờ đây bắt đầu thử thách xem liệu dữ liệu tích lũy qua thời gian dài sử dụng mô hình có thể đúc kết thành năng lực mô hình riêng của nó hay không.

Nếu con đường này thành công, hàng rào bảo vệ của Element Oscillation sẽ không chỉ nằm ở chiến lược định tuyến; nếu không thành công, nó vẫn phải đối mặt với tất cả các vấn đề mà các lớp trung gian của mọi mô hình đều gặp phải.

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

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

Bài viết này đến từ tài khoản công chúng WeChat "Quantum Bit", tác giả: Heng Yu