Ornith 发布 Ornith-1.5：能自己出题训练，397B 追平 Opus 4.8

Ornith-1.5 是一套能靠自己出题、自己搭测试环境来实现能力进化的开源大模型家族。它在 Qwen3.5 和 Gemma 4 的基础上进行了继续预训练、中期训练与后训练，一口气推出了 397B MoE、35B MoE 以及 9B Dense 三种尺寸。

这套模型最亮眼的地方在于，旗舰规格 Ornith-1.5-397B 在多项硬核编程测试中直接追平了顶级闭源模型 Claude Opus 4.8。而在另一端，最小的 9B 版本不仅跑分超过了不少 30B 级别的稠密模型，其量化版本 Ornith-1.5-9B-Mobile 还能直接塞进 iPhone 和安卓手机本地运行。

自己出题、自己搭考场的自我提升闭环

大多数强化学习训练依赖人类整理好的固定题库，题做完了，模型的提升往往也就停滞了。Ornith-1.5 走了一条端到端自我提升的路线，把出题、搭测试脚手架和解题探索三件事串成了一个闭环。

在每一个训练循环里，模型首先会根据当前代码库和历史解题记录，自主生成一批难度更高的新任务。系统用有效性、前沿难度和新颖性三个指标来给生成的题目打分。为了防止题目太容易或根本不可解，开发团队把前沿难度的目标成功率设定在 0.2 左右，只奖励那些刚好踩在模型能力边界上的挑战。

出好题目后，模型接着会为任务生成专门的脚手架，包括指令、工具调用流程、任务拆解策略以及防作弊的评估环境。最后，模型策略在脚手架里生成解题轨迹，环境直接打出反馈。

题目的好坏、脚手架的合理性以及解题的质量，都会转化为奖励信号反哺给系统。三者全部采用 GRPO 算法进行联合优化。解题能力越强，模型出的题目就越难、搭的考场就越刁钻，整个学习流程得以持续自我迭代。

从 9B 手机端到 397B 旗舰的性能表现

在大模型实战基准上，Ornith-1.5 的数据表现相当抢眼。

旗舰级的 Ornith-1.5-397B 在 Terminal-Bench 2.1 的 Terminus-2 测试中拿下了 86.1 分，在 DeepSWE 上取得 56.0 分，在 SWE-bench Verified 上拿到 86.0 分。这一成绩追平了 Claude Opus 4.8 的对应表现，同时全面超越了同等量级的开源对手 GLM-5.2 和 DeepSeek-V4-Flash-0731。

中等尺寸的 Ornith-1.5-35B 采用了 MoE 架构，每个 token 仅激活 3B 参数。即便计算开销极低，它在 Terminal-Bench 2.1 的 Claude Code 测试中依然跑出了 68.5 分，SWE-bench Verified 拿到 79.0 分，大幅领先同量级的 Qwen 3.6-35B，并超越了 30B 级别的稠密模型 Gemma 4-31B 与 Muse Glimmer-30B。

最小的 Ornith-1.5-9B 在 Terminal-Bench 2.1 上得到 47.0 分，SWE-bench Verified 达到 70.6 分。通过量化后的 Ornith-1.5-9B-Mobile，开发者可以直接在主流智能手机上部署拥有同等基准表现的代码与代理模型。

为什么重要

我们认为，Ornith-1.5 最聪明的点在于证明了合成数据训练可以完全脱离静态题库。通过将任务生成、评估沙盒与强化学习闭环做深，开源模型在复杂的长程编码和 Agent 任务上也能摸到顶级闭源模型的门槛。

如果你是做本地代码助手或端侧 Agent 的开发者，Ornith-1.5-9B-Mobile 非常值得第一时间下载测试，它用极小的体积提供了过去 30B 甚至更大模型才有的工具调用与代码修复能力。不过对想要复现这套自提升闭环的团队来说，如何保证模型自己生成的任务不发生逻辑漂移，依然需要仔细调试评估脚手架的抗作弊边界。