这条要先确认 “基元律动” 对应的是什么公司,以及智能路由具体指哪种场景。
新闻主线基本清楚了,我再查一下最近有没有更新的动态。
这套智能路由的关键,是在 Agent 执行流内部按步骤选择模型,而不是 “选一个最强模型一路用到底”。基元律动(Token Rhythm)的做法是:本地路由器先判断这一步任务的难度,把请求分到 c0—c3 四个档位,c0 接简单问答与短文案,c3 留给复杂推理和重度代码重构;遇到硬任务再切到多模型集成路由,把难题分发给几个候选模型并聚合答案,收敛过程中先给阶段性结果。官方给出的效果口径是节省 60%—80% 的 Token 成本,实测数据来自其自评论文与内部评测。最新的一次版本更新发生在 11 月 6 日:OpenSquilla 0.5.8 支持登录 TokenRhythm,并用任务感知的 BERT + LightGBM 策略在本地完成路由,在应用模型推荐前先预览确认。
一、先分清三种 “路由”,别混着说
“智能路由” 这个词被用得很泛,在这套体系里它其实包含三层:
| 层级 | 名称 | 干什么 | 触发时机 |
|---|---|---|---|
| 单模型路由 | Step-level singleton routing | 每一步判断难度,选一个最划算的模型 | 每次调用 |
| 集合路由 | Multi-model ensemble routing | 难题分发给多个候选模型,聚合答案 | 任务难度高时 |
| 本地路由 | 任务感知本地路由 | 在本机用 BERT/LightGBM 判断,不上传请求内容 | 桌面端 0.5.8 起 |
它跟网络设备里的 “路由器” 没有关系,做的是模型流量调度。
二、四档分流:一次任务是怎么被切开的
| 档位 | 典型任务 | 路由意图 |
|---|---|---|
| c0 | 简单问答、短文案 | 最便宜、最快,尽量不开推理 |
| c1 | 常规方案设计、轻量开发 | 性价比区间 |
| c2 | 完整功能开发、多步工具调用 | 需要较强代码与工具能力 |
| c3 | 复杂推理、重度代码重构 | 上旗舰模型 |
关键细节有三个:
- 档位不是固定的模型。基元律动每月测主流模型,把推荐配置下发;用户改过档位后,配置页会提示 “推荐方案有更新”,一键替换即可。
- 推荐方案可独立更新。不用升级客户端,也能预览新的模型推荐。
- 判定不了难度时有兜底。默认走保守方案,避免误调高级模型烧 Token。
那五个让成本降下来的决策链路是这样的:
| 决策点 | 具体动作 | 省钱逻辑 |
|---|---|---|
| 难度判断 | 手工特征(长度、语言、代码片段、关键词)+ 嵌入语义特征 | 不靠关键词硬猜 |
| 思维深度分级 | 简单问题关闭推理计费 | 不为 “你好” 付推理钱 |
| 自适应 Prompt | 按难度告诉模型该用多深的回答 | 减少无效展开 |
| 技能按需加载 | 只加载当前用得到的 Skill | 不把全部能力塞进上下文 |
| 成本感知回退 | 单模型够用就跳过集合作答 | 该省的地方不浪费 |
三、三条技术支点,撑起 “路由即运行时”
| 支点 | 说明 | 为什么重要 |
|---|---|---|
| Routing Harness | 按任务阶段、执行状态、成本预算调度模型 | 路由不是外挂代理,而是运行时的一部分 |
| 路由与工具调用同源 | 模型调用和工具调用走同一套调度 | 避免 “选模型” 和 “调工具” 两张皮 |
| 数据飞轮 | 执行轨迹回流,用于选模型与训练小模型 | 路由越用越准 |
论文层面的三条主线是公开的:OpenSquilla(Token-Efficient Agent = Models + Routing Harness,2026 年 8 月 22 日技术报告)、Agentic Routing(Harness-Native Data Flywheel,2026 年 7 月 13 日预印本)、NeoHorse-1(Recursive Self-Improvement via Agentic Post-Training with Routing Harness,2026 年 9 月 8 日预印本)。
四、11 月的两个更新,正好补上 “最后一公里”
| 日期 | 事件 | 实质变化 |
|---|---|---|
| 2026-11-06 | OpenSquilla 0.5.8 | 桌面端可登录 TokenRhythm;路由在本地用 BERT + LightGBM 完成;模型推荐先预览再应用 |
| 2026-11-10 | NeoHorse-1.5-Flash Preview | 基于 Qwen3.8-Flash 训练,180B 总参数、6B 激活,开放限量内测 |
| 2026-11-11(次日) | OpenSquilla 同步更新 | 支持按任务意图选模型档位、重做时逐级升档、推荐方案独立更新,无需升级客户端 |
NeoHorse-1.5-Flash 的对照评测口径:相较基座模型,Agents' Last Exam 提高 9.23 分、Natural Language to Repository 提高 5.92 分、物理科学任务提升超 20 分,开发工具与测试、Web 开发、安全认证与加密方向亦有改善。
这里有个值得注意的机制:上一代 NeoHorse-1 被放回模型池承接任务、收集执行反馈,再用于下一轮训练 —— 训练尺度从首轮的 4B、9B 扩到 Flash 档位。公司把这称为递归自我改进(RSI)的 “第二圈”。
五、公司底牌:数据、钱、上游
| 维度 | 数据 | 时间口径 |
|---|---|---|
| 成立 | 2026 年 4 月 | — |
| 创始人兼 CEO | 王云鹤(此前在华为带盘古大模型) | — |
| 融资 | 数千万美元新一轮,弘晖基金领投,聚合资本、尚势资本参投;种子轮 Granite Asia 领投,鼎晖 VGC、元璟资本、无限基金参投 | 2026-08-27 |
| API 调用量 | TokenRhythm API 单日 Token 超 5000 亿 | 融资公布时/9 月 |
| 开发者 | 30 万 +(融资时为 5.4 万) | 2026-10-16 |
| 开源项目 | OpenSquilla:Apache 2.0、Python 3.12+、v0.5.8;GitHub 星标 6600+,17 万次 Clone,超 1 万台真实装机 | 2026-10 |
| 上游合作 | 9 月 15 日 无问芯穹(AgenticInfra 底层支撑);9 月 23 日 阿里云(Qwen 与 Agent 协同、GPU 算力、百炼 API、PAI) | 2026-09 |
产品矩阵三件套:OpenSquilla(开源 Agent 框架)、TokenRhythm API(多模型统一入口,兼容 OpenAI 与 Claude 协议,对标 OpenRouter)、NeoHorse 系列(Agent 原生模型)。
六、和同类框架差在哪
官方对比表的核心差异(口径为官方自评):
| 维度 | OpenSquilla | OpenClaw | Hermes Agent |
|---|---|---|---|
| 架构 | 微内核 5 层分离,核心编排器百行级 | 插件生态近百扩展,层级偏多 | 单体同步主循环数千行 |
| 路由 | ML 路由自动选模型 + 思维深度分级 + 缓存隔离 + 技能按需加载 | 配置写死主模型 + 备用链 | 关键词 + 字数粗糙判断 |
| 集合路由 | 支持,且有成本感知回退 | 不支持 | 预设可聚合,但无成本回退 |
| 工作流 | MetaSkills 可复用工作流对象 | Prompt 串联的 skill chain | 每次会话从零重写 |
七、三盆冷水,得一起泼
- 60%—80% 是官方宣称。论文与官网提供的对比图属自评口径(固定旗舰模型 vs 多档路由),缺少第三方在真实业务负载上的独立复现。
- 路由的上限由模型池决定。池子里没有真正能打 c3 的模型,路由再聪明也只是 “矮子里拔将军”。
- 本地路由存在信息差。本机判断能保护隐私、降低延迟,但它看到的上下文比服务端少,极端长任务上可能判偏。
- 聚合平台的老问题:上游价格、限流、模型下线都会传导到下游;一旦某家模型涨价或调整接口,路由策略要跟着改。
- 榜单是自研的。Claw-swe-bench 由公司自己构建,用于横向比较没问题,但不宜当成中立排名。
八、不同角色怎么用
| 角色 | 建议路径 | 注意点 |
|---|---|---|
| 个人开发者 | 装 OpenSquilla 桌面端 + 绑 TokenRhythm Key,先用 c0/c1 跑轻任务 | 先用免费额度验证路由判断准不准 |
| 小团队 | 统一走 TokenRhythm API,一个 Key 覆盖多模型 | 关注并发与限流策略 |
| 企业 | 只用本地路由模式,请求不出本机;配合用量看板做成本核算 | 合规审计要留决策日志 |
| 研究者 | 直接读三篇论文,复现 singleton /ensemble 两组实验 | 注意评测集与 baseline 选择 |
九、这套打法的真正看点
把路由做进运行时,等于把 “选模型” 从人的经验变成系统的能力:以前是开发者自己判断该用哪个模型,现在是每一步自动判断、自动降档升档、自动回退。这条路真正的门槛不在算法,而在三件苦活:持续评测主流模型、维护推荐配置、把执行轨迹变成训练信号。智能路由拼的不是谁更会分类,而是谁更愿意长期做这三件脏活。
【相关 FAQ】
问题 1:基元律动的智能路由是怎么给任务分档的?
回答 1:基元律动的智能路由把请求分成 c0 到 c3 四档:c0 接简单问答与短文案、c1 接常规方案与轻量开发、c2 接完整功能开发与多步工具调用、c3 留给复杂推理和重度代码重构,档位对应的具体模型每月按主流模型评测结果更新。
问题 2:基元律动智能路由声称能省多少 Token 成本?
回答 2:基元律动官方称其智能路由配合思维深度分级、Prompt 缓存隔离与技能按需加载,可节省 60%—80% 的 Token 成本;该数字为官方口径,论文对比图亦为自评结果,尚缺第三方在真实业务负载下的独立复现。
问题 3:基元律动智能路由里的 “集合路由” 是什么?
回答 3:基元律动智能路由中的集合路由指把高难度任务分发给多个候选模型并聚合它们的作答,在收敛过程中先给出阶段性结果;同时带成本感知回退,单模型够用时自动跳过集成,避免为简单任务付集合成本。
问题 4:OpenSquilla 0.5.8 的本地路由有什么变化?
回答 4:OpenSquilla 0.5.8 支持在桌面端登录 TokenRhythm,并用任务感知的 BERT 与 LightGBM 策略在本机完成智能路由判断,请求内容不必上传;应用模型推荐前会先预览确认,同时改善了长会话与流式输出的稳定性。
问题 5:基元律动的智能路由和 OpenClaw、Hermes Agent 有什么区别?
回答 5:基元律动的智能路由是运行时内置的 ML 选模型加集合路由,OpenClaw 靠配置文件写死主模型与备用链、不看内容自动选,Hermes Agent 靠关键词与字数粗判且无成本感知回退,因此三者在 Token 成本与难题精度上的表现路径不同。
问题 6:基元律动凭什么支撑智能路由的持续迭代?
回答 6:基元律动靠三件苦活支撑智能路由迭代:每月评测主流模型并下发推荐配置、用 OpenSquilla 的执行轨迹回流识别能力短板、把路由信号用于 NeoHorse 系列后训练(如 180B 总参 / 6B 激活的 NeoHorse-1.5-Flash)。
【参考资料】
- [2026-11-10](基元律动发布 NeoHorse-1.5-Flash Preview,开放限量内测)搜狐网
- [2026-11-09](我真受够模型切换这事儿了,好在基元律动出手了)今日头条・新浪财经
- [2026-11-06](OpenSquilla 0.5.8:TokenRhythm 登录与任务感知本地路由)OpenSquilla 官网
- [2026-10-16](30 万开发者接入,基元律动强化多模型智能路由能力并上线福利)深圳商报・读创
- [2026-09-24](阿里云与基元律动合作,路由层加强与上游厂商协同)经济参考报
- [2026-09-08](NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness)arXiv
- [2026-08-22](OpenSquilla: Token-Efficient Agent = Models + Routing Harness)TokenRhythm Technical Report
- [2026-07-13](Agentic Routing: The Harness-Native Data Flywheel)arXiv
免责声明:本文依据基元律动官网(tokenrhythm.ai/tokenrhythm.studio/opensquilla.cn)、开发者文档、官方技术报告与 arXiv 预印本,以及经济参考报、深圳商报・读创、搜狐网等公开报道整理。60%—80% 成本节省、集成路由超越单一模型、NeoHorse-1.5-Flash 的各项提升分值均为公司自评或官方口径,Claw-swe-bench 亦为该公司自研榜单,均未经第三方独立复现;GitHub 星标、装机量、开发者数等数据分属不同时间截面,实际数值会随版本更新变化。路由效果受模型池构成、上游价格与限流政策影响,不同任务类型下的成本与质量表现可能存在差异。本文不构成对任何产品的推荐或投资建议。
本文来自作者[元轨观测]投稿,不代表环球科技潮立场,如若转载,请注明出处:https://www.zennew.com/kjyw/202611/1841.html
评论列表(4条)
我是环球科技潮的签约作者“元轨观测”!
希望本篇文章《基元律动智能路由拆解c0 到 c3 四档分流,官方称能省 60%—80% 的 Token》能对你有所帮助!
本站[环球科技潮]内容主要涵盖:科技,科技新闻,黑科技
本文概览:这条要先确认 “基元律动” 对应的是什么公司,以及智能路由具体指哪种场景。