在参数越卷越大的通用大模型之外，一条更聚焦的路线正在冒头：为智能体（Agent）量身定做的小模型。王韵禾创立的集元绿动近期发布首款大模型成果 NeoHorse，提供 4B 与 9B 两个版本，明确把目标锁在 Agent 场景——重点增强工具调用、环境反馈读取、错误检测与路径调整四类能力。模型算力由物星穹穹支持，清华、北大研究团队参与算法开发。
一、为什么是「Agent 专用」而不是「更大」
通用大模型追求的是综合智能上限，但 Agent 在真实任务里反复用到的是另一组能力：能不能准确调用工具、能不能读懂环境返回的反馈、能不能在出错时自我检测并换一条路径。这些恰恰是通用模型未必被充分优化的地方。NeoHorse 把训练与能力设计直接对准这四件事，相当于为「执行型智能体」打造更合手的底座。在端侧与成本敏感场景，4B/9B 这类小模型还能跑得更轻、更便宜，更适合被大量部署在 Agent 工作流里。
二、小模型路线的现实价值
当头部通用模型能力趋同，差异化越来越靠「垂直适配」。面向 Agent 的专用小模型，优势不在跑分领先，而在单位成本下的任务完成率、在长链路任务里的稳定性。对构建多 Agent 系统的团队，用一个轻量但「懂工具、会纠错」的模型当执行单元，往往比全程调用旗舰大模型更经济。这也与端侧 Agent 趋势（如面壁 MiniCPM5-2B、Arm 为端侧 Agent 留加速通路）形成呼应：模型层与芯片层都在为「Agent 化」让路。
三、仍待验证的变量
这类专用模型要证明自己，得拿出可复现的基准：工具调用成功率、长任务路径调整准确率、与主流 Agent 框架的兼容度。目前 NeoHorse 的公开评测口径行业暂未完整披露，清华、北大的算法参与是加分项，但最终要看社区与企业的实际采用。值得肯定的是方向——通用模型的「军备竞赛」之外，把模型做「专」、做「便宜」、做「会干活」，可能是更多团队能跑通的落地路径。