Neon 和 Castform 两家公司联手干了一件让人重新打量"小模型"的事——用强化学习后训练了一个4B 参数的开源模型，在文档搜索任务上准确率不仅不低于 GPT-5.6Sol，甚至更高，而单次推理成本只有后者的约百分之一。
背后是对搜索范式的重新理解。目前文档检索主流做嵌入式搜索，把文档转成数值化向量再找相似内容，但随着 AI 智能体的普及，搜索流程正转向智能体式搜索:模型把大问题拆成多个小问题，自主决定搜索查询、检视结果、再发起下一轮搜索，循环往复直到集齐所需信息。这套思路能处理更复杂的问题，代价是每次搜索都要调一次高性能模型，耗时和成本都不低——按 Neon 给出的典型请求口径，GPT-5.6Sol 一次搜索请求耗时超10秒，成本约0.03美元。
Neon 和 Castform 各司其职:Neon 提供文档存储位置和搜索能力，Castform 负责训练模型判断"该搜什么"。训练用的是强化学习，模型先尝试完成任务，系统给结果打分，评分直接反馈进下一轮试验。评估维度不只看最终答案对错，还会看是否找到了正确文档、是否引用了合适段落。最终，Castform 后训练的模型在 Neon 的验证中拿到平均评估分1.447，超过 GPT-5.6Sol 的1.369，也高于作为对照的 GPT-5.4的1.377，刷新了该验证的最高纪录。
成本差才是真正的杀手锏:这个4B 小模型单次推理成本0.000929美元，而 GPT-5.6Sol 是0.087338美元，差了约94倍。用4B 参数吃掉 GPT-5.6Sol 级搜索精度，同时把推理开销压到几乎可以忽略不计，这对高度依赖反复调模型做多轮检索的智能体应用来说，意味的是单位成本结构被彻底改写。
