NeoHorse-1：用「路由外壳」的使用记录，让模型自己决定下一轮学什么

部署中的路由外壳本身就是数据飞轮：记录谁做不好，下一轮就练什么

3 分钟版

问题　RSI 需要一个具体机制：系统能观察到自己会什么、不会什么，并把这些证据转成下一轮学习。现有 Agent 训练多把交互轨迹当静态监督数据，没有利用其中「模型哪里不行」的信号。

思路　异构模型池 + 智能路由：每一轮记录预测的能力需求、选中的服务档位和后续交互。这些记录被切成「用户轮次」训练样本（保留交错的推理、工具调用和外壳上下文），经结构校验、六维语义评估和子场景标注后进入训练数据池。路由分数被当作难度代理，组织三阶段课程式监督微调，并扩展到按同样顺序进行的在线蒸馏。最后，按能力的评测反馈决定下一轮训练的数据配比。

结果　十项基准（外壳型 Agent、工具调用、代码、指令遵循）上，4B 模型宏平均从 58.94 升到 64.87，9B 从 65.60 升到 69.04。在同样训练配方下，路由外壳数据比公开合成数据 Toucan 平均高 6.26 分（作者自报）。

所以呢　真实部署流量可以同时提供「练习题」和「成绩单」。作者也强调这只是走了一圈闭环，增益能否跨多轮持续累积尚未验证。

关键数字

• 64.87 NeoHorse-1-4B 十项宏平均（§5 · Table 1）
• 69.04 NeoHorse-1-9B 十项宏平均（§5 · Table 2）
• +6.26 路由外壳数据 vs 公开合成数据（五项平均）（§5.2 · Table 3）
• 88.46 NeoHorse-1-4B 的 τ²-Bench 得分（Table 1）

局限与疑问

• 只完成一轮闭环，跨多轮的持续累积尚未验证（作者自述）。
• 评测集中在 Agent、代码、工具和指令遵循，其他能力未评测。
• 对比模型与评测设置由作者选定，结果为作者自报。
• 路由外壳数据来自作者自己的部署，外部团队难以复现同样的数据源。

arXiv 摘要页 · PDF