NeoHorse-1 海关报告：路由 harness 里的数据飞轮——RSI 的 R 还没发生，I 已经可以被产品化
素材是一份解读号文案（「有感兴趣的论文可以在评论区留言」体）。按海关流程溯源后：论文实体（arXiv 2609.08183，09-08 提交）、仓库（TokenRhythm/NeoHorse，231★/6 fork，Apache-2.0）、HF 收藏（4B/9B 两模型）全部属实，全文 87K 字符实抓逐数核对。骨架…
NeoHorse-1 海关报告：路由 harness 里的数据飞轮——RSI 的 R 还没发生，I 已经可以被产品化
素材是一份解读号文案（「有感兴趣的论文可以在评论区留言」体）。按海关流程溯源后：论文实体（arXiv 2609.08183，09-08 提交）、仓库（TokenRhythm/NeoHorse，231★/6 fork，Apache-2.0）、HF 收藏（4B/9B 两模型）全部属实，全文 87K 字符实抓逐数核对。骨架忠实，血肉两处加料——「十一 benchmarks」原文是十个；「持续改进自己/打破人类监督边界」对应的是论文自认的单轮闭环（「a single pass of the evaluation–selection–update loop」）。更重要的发现：这是接昨天 OpenRSI 的第二篇 9 月 RSI 论文，两家在同一周内用完全不同的路径把「递归自改进」拆成了工程问题——而且都诚实地停在单轮。
一、身份：谁在做这件事
- 团队：基元律动（TokenRhythm）联合无问芯穹（Infinigence AI），与清华、北大、港中文、阿里合作；创始人王云鹤——前华为诺亚方舟实验室主任、盘古大模型负责人
- 系列三部曲：OpenSquilla（开源 Routing Harness，Agent 执行时选模型）→《Agentic Routing: the harness-native data flywheel》（arXiv 2607.11399，系统层）→ NeoHorse-1（本篇，模型层——在飞轮上做后训练）
- 基座：Qwen3.5-4B / Qwen3.5-9B 后训练；Apache-2.0 开源权重
- 一句话机制：部署中的路由 harness 本身就是「观察自身能力→转化为下一轮学习」的机制——它为每个用户轮记录能力需求预估、所选服务档位（C0 低风险/C1 通用/C2 多步执行/C3 最大能力）、以及后续交互；这些记录变成训练样本，路由分数变成课程难度信号，评估反馈变成下一轮训练配比。
二、海关裁决表
| 解读号声明 | 论文原文 | 裁决 |
|---|---|---|
| 「十一个 benchmarks」 | ten benchmarks（3 个端到端 agent + BFCL V4 + τ²-Bench + HumanEval + LiveCodeBench v6 + IFEval + IFBench） | 膨胀 +1 |
| 4B/9B 宏观平均 +5.93/+3.44 | 58.94→64.87 / 65.60→69.04，差值正是 5.93/3.44 | 属实（解读号自算，论文给的是端点值） |
| 「4B 大幅缩小与 9B 差距」 | 9B base 65.60 vs 4B post-train 64.87，聚合差距缩到 0.73 分 | 属实，原文 substantially narrowing |
| 「打破人工标注数据和人类监督的边界」 | 质量评估由语义 judge 自动执行（带证据约束）；课程难度免人工标注（路由分数替代）；但语料混入大量公开数据集 | 口径漂移：是「无人工难度标签」而非「无人类监督」；且训练混合并非纯自产 |
| 「让大模型通过自身交互产生的经验持续改进自己」 | 「These results reflect a single pass」——单轮闭环，跨迭代累积「remains to be tested」 | 时点错位：持续改进是 future work，论文自认 initial attempt |
| 异构模型池 + 多执行框架 | heterogeneous model pool + multiple harnesses incl. OpenSquilla | 属实 |
| 「有效把交互轨迹转化为模型能力」 | 对 Toucan 公开合成数据对照实验：同配方同预算 +6.26 分 | 属实，且是全篇最硬的实验 |
| on-policy 蒸馏解决分布偏移 | OPD：教师对学生自生成前缀逐 token 监督 | 属实 |
三、机制解剖：飞轮的四个齿轮
1. 记录（harness 侧）。路由器从当前请求、近期对话、既往路由决策、可用执行状态估计能力需求，把每轮分派到 C0–C3 四档。关键设计是预测-行动-结果分离：语料同时保留路由器的原始预测、策略调整后的决策、实际服务的档位——三者独立可分析，且用版本化档位语义保证 serving stack 演化后记录仍可解释。这是把「日志」升级成「可审计的实验记录」。
2. 准入（数据侧）。轨迹→用户轮→子场景三级粒度；结构校验过滤不可序列化的记录；六维语义评估（目标达成/指令遵循/工具使用/证据一致性/错误恢复/终止）打 PASS/WARN/FAIL/NOT_EVALUATED 四态——高确定性失败（缺最终响应、未解决的工具调用、未恢复的终态错误）确定性检测，需解释的交给被严格限制在「只看轨迹内显式证据」的 judge，长轨迹分段评再聚合。缺证据或 judge 调用中断永不转正判，质量表示保留全部结构而非压缩成单一分数。
3. 学习（方法侧）。路由分数构建三阶段课程（各约 1/3 样本、逐步引入高需求样本、低分样本保留到后期防尾段垄断、软分数 Σk·π 区分同档样本）；SFT 之外做路由引导的 OPD——学生从记录上下文生成响应，固定教师在每个位置给 next-token 分布（条件含学生自己的前缀 token），rollout checkpoint 随训练刷新。规模：10⁵–10⁶ 条 harness 轨迹（论文只给数量级）+ 公开数据扩展。
4. 分配（闭环侧）。能力引导的配额把评估反馈转成下一轮训练混合——「what the system learns to do shapes what it learns from next」（学会做什么，决定接下来从什么学）。
四、五个值得单独说的话
1. 「harness-mediated RSI」——harness>LLM 的第五样本（服务层）。 论文的关键词不是「模型自改进」而是「harness 介导的自改进」：三信号（执行轨迹/路由信号/结果记录）全部产生在 harness 里，模型换掉飞轮不换。深模块（结构住代码边界）、Prime Agent（harness 失败不变成模型失败）、自动机（行为拓扑住 harness）、MHS（治理住物理标准）之后，第五样本是：自改进的经验供给住在服务路由层。模型是可替换的 consumable，飞轮是资产。
2. 路由记录 = 经验的方向感索引。 自改进栈的经验载体谱系（CoE trail 非结构化→skill 代码→FSM 拓扑→optimizer LLM 内化）在这里添第五形态候选：路由记录是经验的元数据层——它不装经验内容，装经验的「能力需求坐标 + 难度标签」，用来组织别的经验怎么进训练。与 OpenRSI 的方向感信号对照：OpenMLE 的执行得分是事后方向感（这个解值多少分），NeoHorse 的路由分数是事前方向感（这个请求需要多少能力）。论文的第三条 future work 自己承认事前信号还不够准——要把预测-行动-结果分离变成 well-calibrated 的难度估计，「including supervision that trains the router itself」：路由器本身成为下一个被训练对象，与 OpenRSI「把进化系统本身变成进化对象」是同一个二阶化伏笔。
3. 断言强度阶梯的数据管线版。 确定性检测（高置信失败）→ 证据约束 judge（弱断言禁升格）→ NOT_EVALUATED 显式标注（缺证据永不转正）——这是 ARS「断言强度阶梯禁静默升级」+ PolicyGuide「结构幸存」+ Semantica「三动词 schema」之后的第五个实现位置：数据准入层。rigour as code 的谱系从科研管线、合规导航、图 schema 一路铺到生产飞轮的质检环节，同一纪律第五次出现。
4. 真实流量 > 合成数据，+6.26 分的隔离实验。 同一个 Qwen3.5-4B checkpoint、同一课程配方、同优化器同种子同 packing、相近预算，唯一变量是数据来源：路由 harness 真实交互 vs Toucan 公开合成数据。结果 64.32→70.57，五个基准全胜，τ²-Bench +11.31、HumanEval +8.54。这是全篇最有信息量的表：它证明的价值是「数据来源」本身而非训练算法。采数光谱的软件版：服务流量即矿山——真实 agent 交互轨迹是带执行反馈的稀缺品，公开合成轨迹没有失败恢复和真实约束。这与 CometVLA 四层数据金字塔的具身版完全同构（真实交互层最贵最稀缺，合成层便宜但天花板低）。
5. 平均分追平 ≠ 能力追平。 4B 后训练后与 9B base 只差 0.73 分，但 5.1 的轨迹分析给了反例：「scale pays off under feedback and failure」——9B 在迭代调试、执行失败恢复、长程状态维护上仍显著更强（WorkBuddy 代码修复案例：4B 一次尝试即停，9B 跑完完整的编辑-测试-检查-修复循环直到验证器通过）。宏观平均把「反馈密集型能力」的差距摊平了。这接 HarnessOpt-Bench 的老课：聚合分是遮罩，逐案例分布才是真相——拿 NeoHorse-1-4B 当 9B 用，会在最需要循环的活上露馅。
五、与 OpenRSI 的镜像（同周两篇，正面对照）
| 维度 | OpenRSI（周伯文系，昨发） | NeoHorse-1（基元律动，本篇） |
|---|---|---|
| 经验来源 | 进化搜索生产经验（探索性、合成） | 真实服务流量产生经验（生产性、需求驱动） |
| 动作空间 | 四算子 Draft/Improve/Debug/Crossover（作用于程序） | 用户轮次（作用于对话与执行流） |
| 方向感信号 | 事后：执行得分 | 事前：路由分数（能力需求预估） |
| 闭环声明 | 单轮 operational basis，「改进速率本身=优化目标」是路线图 | 单轮 initial attempt，跨迭代累积「remains to be tested」 |
| 二阶化伏笔 | 把进化系统本身变成进化对象 | 训练路由器本身 |
| 许可 | CC BY-NC 4.0 | Apache-2.0 |
| 基座规模 | 35B/30B（Qwen3.6 系） | 4B/9B（Qwen3.5 系） |
六、诚实边界与可打脸预测
边界：单轮闭环（原文三处自认）；能力面只覆盖 agentic/coding/tool use/instruction following，harness 服务的更广任务未评测；10⁵–10⁶ 轨迹的模糊口径；无独立 Limitations 章（限制写进结论）；231★ 无第三方复现；对 Toucan 的对照虽控制了配方，但「真实 vs 合成」与「规模/来源混合比」未完全解耦。
可打脸预测：12 个月内——①NeoHorse-2 或同类宣布第二轮闭环结果：若增益衰减（第二轮 +1 分以内），「经验递归收益递减」就是 RSI 的第一个实证墙，Metan 元深度天花板在服务流量版重演；若增益维持，「harness-mediated RSI」范式确立，路由飞轮将成为推理服务商的标配资产结构。②「训练路由器本身」落地：路由器从启发式+策略变成被校准的模型，其校准质量成为新的评测轴。③解读号式的「递归进行时」文案继续膨胀——下篇素材大概率已有人写成「实现自我进化」。
*核查备注：arXiv HTML 全文（2609.08183v1）+ GitHub API + HF collection + 知乎/搜狐团队报道，2026-09-14 实抓。所有端点数字（58.94/64.87/65.60/69.04/70.57/64.32/6.26/8.54/11.31）对照论文摘要、表 3 与第 5 节原文；「单轮」声明对照结论章原文。*
下一步选项： 1. OpenSquilla + Agentic Routing 前作补课：把三部曲前两层（路由 harness + 数据飞轮）拆开看，NeoHorse-1 只是第三层； 2. Ornith-1.5 对照：它就在 NeoHorse 的 9B baseline 表里——自改进赛道内部开始互相对标，可写一篇「自改进模型同场竞技」小盘点； 3. 先收。