11月5日，基元律动（TokenRhythm）发布Agent原生模型NeoHorse-1.5-Flash Preview。该版本是继NeoHorse-1.5之后的一次预览更新，核心变化在于其Agent模型的自进化机制RSI（Recursive Self-Improvement，递归自我改进）进入第二轮迭代。
基元律动是一家聚焦Agent原生模型研发的AI公司，其NeoHorse系列产品定位为面向智能体任务场景的底层模型。与通用大模型侧重对话与内容生成不同，Agent原生模型的设计目标是在多步骤任务规划、工具调用、环境交互等环节中保持稳定的执行能力。RSI机制则是该系列模型的核心技术路线，其基本思路是让模型在任务执行过程中产生反馈信号，并据此对自身能力进行迭代优化，形成“执行—反馈—改进”的循环。
从命名来看，NeoHorse-1.5-Flash Preview中的“Flash”通常指向推理效率优化，即在保持任务完成质量的前提下降低单次调用的算力开销与响应延迟。对于Agent类应用而言，推理成本直接影响其在高频任务场景中的可用性，因此效率优化是该类模型商业化落地的关键指标之一。此次以Preview形式发布，意味着该版本仍处于面向开发者与早期用户的验证阶段，正式版本的能力边界与定价策略尚未完全确定。
RSI进入第二轮迭代，是此次发布中最值得关注的技术信号。第一轮迭代通常用于验证机制可行性，第二轮则更多涉及稳定性、收敛性与任务泛化能力的打磨。若RSI机制能够在多轮迭代中持续产生正向增益，Agent模型的能力提升将不再完全依赖人工标注数据与重新训练，而是部分转向模型在真实任务中的自我积累。这一路径对降低模型迭代周期与数据成本具有直接意义，但也对反馈信号的质量控制提出更高要求——错误的自我强化可能导致能力偏移，因此迭代过程中的约束机制设计是该路线能否成立的前提。
从行业层面看，Agent模型正处于从概念验证向工程化落地的过渡阶段。过去一年，智能体产品的竞争焦点从“能否完成任务”逐步转向“任务完成率、单任务成本、长链路稳定性”等工程指标。基元律动选择以Agent原生模型加RSI自进化作为差异化路线，实际上是在模型层面对上述工程问题给出回应：通过模型自身的迭代机制降低对外部工程编排的依赖，从而压缩Agent应用的开发与运维成本。
目前该版本以Preview形式开放，其实际任务完成率、迭代增益幅度以及在多工具调用场景下的稳定性表现，仍需开发者侧的使用数据加以验证。RSI机制能否在第二轮迭代后形成可复现的能力增长曲线，将决定这一技术路线在Agent模型竞争中的实际权重。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
