Ornith 1.0 开源：让模型自造脚手架写代码，最高 3970 亿参数

Ornith 1.0 是一套专为智能体编程打造的开源模型家族，覆盖从边缘设备适用的 90 亿参数（9B）密集模型，到 3970 亿参数（397B）的混合专家模型（MoE）。

所谓智能体编程，不是让模型写单个函数或补全代码，而是要让它自己规划复杂任务、调用外部工具、排查报错、修改多个文件，并持续在真实代码库里折腾。

这套模型基于预训练的 Gemma 4 和 Qwen 3.5 打造，具体版本包括 9B Dense、31B Dense、35B MoE 和 397B MoE。

它怎么做到自造脚手架

以往做强化学习训练，通常依赖人类工程师提前设计好的测试框架和提示词骨架。Ornith 1.0 的聪明之处在于，它把引导解决任务的「脚手架」本身也变成了可学习的对象。

在强化学习的每一步中，模型先根据任务构思并改进一个专门针对该任务的执行框架，比如怎么管理上下文记忆、怎么调度工具、遇到报错怎么重试。随后，它再在这个框架内生成具体的解题方案。

这样一来，训练的奖励信号同时反哺给方案和框架本身。模型不仅在学习怎么写代码，还在不断演化出一套最适合该任务的工作流。

放任模型自造框架很容易引发「作弊」漏洞，比如模型直接去读取可见的测试文件并硬编码输出。为了防范奖励欺诈，Ornith 设立了三层防线：固定外部不可篡改的运行环境边界；设立确定性监视器，一旦发现试图篡改测试脚本或越界操作立刻判零分；并在最终验证时引入冻结的大模型作为否决裁判。

评测表现与硬件门槛

根据官方公布的数据，旗舰版的 Ornith-1.0-397B 在 Terminal-Bench 2.1 上拿到 77.5 分，在 SWE-bench Verified 上拿到 82.4 分，超过了 Claude Opus 4.7（对应得分为 70.3 和 80.8），也优于 Minimax M3 和 DeepSeek-V4-Pro 等同量级开源模型。甚至有评测提到其表现能叫板 1.6 万亿参数的 DeepSeek V4。

轻量级版本同样越级打怪。35B 版本在 Terminal-Bench 2.1 上拿到 64.4 分，超过了 Qwen 3.5-397B 的 53.5 分，综合表现也胜过 Qwen 3.5-35B、Qwen 3.6-35B 和 Gemma 31B。最小的 9B 版本在 SWE-bench Verified 上跑出 69.4 分，表现追平甚至超过了 Gemma 4-31B。

在部署方面，全量 397B 模型完整体积约 794GB，FP8 版本压缩到了 400GB，需要两到三台多卡工作站才能吃下。

但中小团队完全可以看它的量化版本：35B 版本体积为 70GB，而官方提供的 GGUF Q4 量化版直接降到了 21GB，放进一张普通的中高端消费级显卡就能跑起来。

目前全套权重已经上传到 Hugging Face，开源开放，想本地搭编程智能体的开发者可以直接下载折腾。

为什么重要

如果你正在折腾本地编程智能体，或者想给团队搭建私有化代码助理，Ornith 1.0 是眼下极值得上手的一套底座。特别是它的 35B 和 9B 版本，用极低的显存成本跑出了远超同尺寸模型的效果，大幅拉低了智能体编程的硬件门槛。

从技术思路上看，我们认为让模型「自学工作流」比单纯堆代码数据更具启发性。它证明了提升智能体表现的关键不仅是代码知识，更在于解题时的策略调度。不过也要看清，这类高度贴合特定基准训练的模型，在实际工程里遇到怪异冷门的技术栈时是否依旧稳定，仍需要真实代码库的长期检验。