TokenRhythm/NeoHorse
NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness.
Hızlı değerlendirme
Özet
NeoHorse, agent iş akışlarında tool use, coding ve yapılandırılmış kararlar için açık ağırlıklı 4B ve 9B modeller sunuyor.
Profiline uyum
LLM agent’larıyla ilgine temas ediyor ancak üretimden çok model post-training araştırmasına odaklanıyor.
Neden yükseliyor
23 günde 1.094 yıldıza ulaşmış; son 28 günde 13 commit ve 6 farklı yazar katkısı da projede yakın dönem geliştirme hareketi olduğunu gösteriyor. README'de model yayını ve arXiv teknik raporu duyurulmuş; ancak ilgi ve ekip aktivitesi, modellerin gerçek kullanımını veya bağımsız başarı teyidini tek başına kanıtlamıyor.
Problem
Agent uygulamalarının araç seçme, iş akışını yönlendirme ve kullanıcı talimatlarını izleme gibi görevlerde kullanabileceği görece küçük modellerin eksikliği.
Çözüm
NeoHorse-1 modellerini agent odaklı post-training ve routing harness yaklaşımıyla geliştiriyor; NeoHorse-Jev ise seçenek seçme, koşul değerlendirme ve puanlama için prefill-only inference kullanıyor. Model ağırlıkları yayımlanmış; GGUF quantization ve Apple silicon için MLX sürümleri de belirtilmiş.
Yenilik
NeoHorse-Jev'in prefill-only inference ile yapılandırılmış karar üretmesi belirgin bir yaklaşım olarak sunuluyor. README'deki benchmark sonuçları proje tarafından raporlanmış; bağımsız doğrulama olmadan bunun genel bir üstünlük ya da yeni bir kategori oluşturduğunu söylemek mümkün değil.
Teknolojiler
- Python
- GGUF
- MLX
- Hugging Face
- ModelScope
Riskler
- Paylaşılan benchmark sonuçları proje tarafından raporlanmış; değerlendirme protokolleri ve bağımsız tekrar sonuçları ayrıca incelenmeli.
- Model kalitesi belirli görev ve benchmark'larda iyi sonuç verse bile gerçek agent iş akışlarında araç kullanımı, gecikme ve hata davranışı ayrıca test edilmeli.
- Repo açıklaması kapsamlı bir model ailesi ve training yaklaşımı tarif ediyor; ancak verilen bilgilerden routing harness'in ayrıntılarını veya yeniden üretilebilirlik düzeyini doğrulamak mümkün değil.
- 23 günlük geçmiş, uzun vadeli bakım ve model sürümlerinin istikrarı hakkında sınırlı kanıt sunuyor.
Detaylı değerlendirme
Bu repo için detaylı değerlendirme henüz yapılmadı. Analiz, Ayarlar'daki uyum profilini hesaba katarak "bu işime yarar mı" sorusunu cevaplıyor. Bir kez çalışır; günlük koşular buna dokunmaz. Saatlik sınır var — bir kaynaktan en fazla 3 analiz.