3,000 步，89 个目标，蛇依旧活着！
蛇身越长，下一步越难选。NeoHorse-Jev-4B 持续比较上、下、左、右四个方向，把每一次判断变成下一步行动。
（图 1｜贪吃蛇演示：3,000 步、89 个目标、蛇身长度 95，存活到回合结束。右侧同步展示候选方向、概率与最终选择）
这就是基元律动（tokenrhythm.ai）新发布的 NeoHorse-Jev-4B。 4B 参数，毫秒级决策响应，在本轮六组评测中以 77.70 综合 AVG 位列成绩完整的开源参评模型第一。模型权重、推理源码与部署示例同步开放。
从决策与迁移，到知识与语义判断，NeoHorse-Jev-4B 在本轮六组评测中取得 77.70 的综合 AVG，领先 Open-Jev-9B 2.03 分。以更小的参数规模，交出本轮开源领先的综合表现。
（各项采用百分制；AVG 为上述六组显示分数的等权平均，不是逐题合并准确率。每项最高值加粗、次高值加下划线）
在 Nimble、VitaminC、MASSIVE 三项上，NeoHorse-Jev-4B 的平均分达到 83.26，较对应原始模型的 71.76 提升 11.50 分。从基础理解到可调用的判断力，专门的决策训练让 NeoHorse 的能力进一步释放。
（数据来自 9 月 24 日评测汇总及同目录的三项成绩截图；汇总报告中的本模型采用 vLLM 后端。“第一”限定为本轮六组结果完整的参评开源模型，各单项并非全部第一；本轮尚未覆盖全部开源 Jev 类模型）
把问题说清楚，把判断接进软件。 用自然语言定义任务，模型就能返回应用可直接使用的概率与分数。开发者通过三种接口，把理解力接入日常业务。
Choice 选一个：这条请求交给哪个工具？Noul 判是非：这条内容是否符合规则？Score 给分数：这个搜索结果有多相关？
开发者定义问题，模型给出判断，应用执行结果。把原本需要反复编写的判断规则，变成可以直接调用的模型能力。
74.3 ms，平均一次决策耗时不到 0.1 秒。 NeoHorse-Jev-4B 采用 prefill-only 推理，直接计算候选概率，省去逐字生成答案的等待。
（上表为调用流程对照，不代表同条件模型测速。速度数据来自本次文本混合负载测试，各档为单次测试；决策耗时采用服务返回的 Decision 计时，客户端耗时包含完整请求链路。74.3 ms 与 347.05 请求/秒分别对应 32、256 并发）
在 1,158 个真实文本请求构成的混合负载测试中，32 并发下，服务记录的平均决策耗时为 74.3 ms，客户端完整请求平均耗时为 273.3 ms。256 并发下，每秒成功处理 347.05 个请求，该档 6,948 次请求全部成功。
开场的贪吃蛇只是起点。接下来，从俄罗斯方块、Flappy Bird、麻将和炸弹竞技，到自动驾驶与机械臂仿真，同一套决策接口继续走进不同场景：给出候选、返回概率或分数、执行动作，让每一次判断都推动场景向前。
每个方块落下前，NeoHorse-Jev-4B 都要比较“落点 × 朝向”的候选组合，并给出选择。棋盘不断变化，决策随局面更新。
这段演示的结果面板记录了 190 次落子、59 行消除、6,500 分。
（图 2｜一局游戏的加速回放。右侧展示候选落点与朝向、对应概率及最终选择，结尾展示本局结果）
何时振翅，何时滑行，模型来判断。 NeoHorse-Jev-4B 根据鸟的高度、速度与前方管道的文字状态，持续选择下一步动作，让小鸟接连穿过狭窄的管道间隙。
这段回放对应的完整回合通过 28 根管道，同组 6 回合平均通过 27.67 根。
（图 3｜Flappy Bird 的 12 秒回放节选，以 2 倍速播放。模型接收文字状态输入，右侧展示判断分数与动作；完整回合成绩见画面底部）
摸到一张牌，该留下什么、打出什么？
NeoHorse-Jev-4B 根据本家手牌与公开信息，从候选动作中持续作出选择。牌局不断推进，这段四方对局最终以 NEO 自摸胡牌 收尾。
（图 4｜简化 108 张规则的四方麻将演示。右侧显示候选动作概率；模型使用本家手牌、公开信息与牌型辅助）
移动、避险，还是放下炸弹？对手不断行动，安全区域逐渐收缩，NeoHorse-Jev-4B 持续选择下一步动作。在这段四方对局中，它坚持到最后，结束画面亮起 NEO WINS。
（图 5｜三个模型与一个规则机器人同场竞技的展示局。画面保留各方动作、概率面板及运行配置标注）
NeoHorse-Jev-4B 在城镇道路仿真中选择下一步驾驶动作，推动车辆沿路线行驶。界面同步展示候选概率、当前速度、剩余距离和决策进度。
这段回放记录了 152 次决策，结束画面显示车辆已到达终点，并记录 0 次碰撞、0 次违规。
（图 6｜城镇路线驾驶仿真回放。模型使用结构化状态输入，场景提供原生规划与安全辅助；上述结果对应本次演示）
从屏幕里的走位，到机械臂的动作，NeoHorse-Jev 把判断力带进具身仿真。
这款模型，未针对具身数据进行专门训练。 基于 NeoHorse-1-4B 的通用能力，它在 Meta-World 中结合多模态输入理解环境，接近柜门、调整位置、完成开门。
（图 7｜Meta-World 的 door-open-v3 任务。84 次决策后，画面亮起“SUCCESS”）
以上为所附演示中的结果，分别对应各自的任务与运行环境。对战片段为选定展示局，不代表总体胜率。
本次发布提供模型权重、推理源码与调用示例，支持 Python、命令行、HTTP 接入，以及 vLLM、SGLang 部署。NeoHorse-Jev-4B 按 Apache-2.0 发布，方便开发者在自己的环境中试用、集成与继续探索。
模型也支持单张图片与文本联合输入，让同一套决策接口进一步连接可见的环境状态。
在 ModelScope 获取模型与配套文件，在 Hugging Face 关注 tokenrhythm.ai、参与社区交流，在 GitHub 查看代码与部署示例。让更多应用拥有自己的判断力，期待开发者一起探索。
ModelScope：
https://www.modelscope.cn/collections/TokenRhythm/NeoHorse-Jev
HuggingFace：
https://huggingface.co/collections/TokenRhythm/neohorse-jev
GitHub：
https://github.com/TokenRhythm/NeoHorse
这一次，让 NeoHorse-Jev 带嫦娥奔向月宫，片尾还藏着一份中秋惊喜。
