Ornith 釋出 Ornith-1.5：能自己出題訓練，397B 追平 Opus 4.8

Ornith-1.5 是一套能靠自己出題、自己搭測試環境來實現能力進化的開源大模型家族。它在 Qwen3.5 和 Gemma 4 的基礎上進行了繼續預訓練、中期訓練與後訓練，一口氣推出了 397B MoE、35B MoE 以及 9B Dense 三種尺寸。

這套模型最亮眼的地方在於，旗艦規格 Ornith-1.5-397B 在多項硬核程式設計測試中直接追平了頂級閉源模型 Claude Opus 4.8。而在另一端，最小的 9B 版本不僅跑分超過了不少 30B 級別的稠密模型，其量化版本 Ornith-1.5-9B-Mobile 還能直接塞進 iPhone 和安卓手機本地執行。

自己出題、自己搭考場的自我提升閉環

大多數強化學習訓練依賴人類整理好的固定題庫，題做完了，模型的提升往往也就停滯了。Ornith-1.5 走了一條端到端自我提升的路線，把出題、搭測試腳手架和解題探索三件事串成了一個閉環。

在每一個訓練迴圈裡，模型首先會根據當前程式碼庫和歷史解題記錄，自主生成一批難度更高的新任務。系統用有效性、前沿難度和新穎性三個指標來給生成的題目打分。為了防止題目太容易或根本不可解，開發團隊把前沿難度的目標成功率設定在 0.2 左右，只獎勵那些剛好踩在模型能力邊界上的挑戰。

出好題目後，模型接著會為任務生成專門的腳手架，包括指令、工具呼叫流程、任務拆解策略以及防作弊的評估環境。最後，模型策略在腳手架裡生成解題軌跡，環境直接打出反饋。

題目的好壞、腳手架的合理性以及解題的質量，都會轉化為獎勵訊號反哺給系統。三者全部採用 GRPO 演算法進行聯合最佳化。解題能力越強，模型出的題目就越難、搭的考場就越刁鑽，整個學習流程得以持續自我迭代。

從 9B 手機端到 397B 旗艦的效能表現

在大模型實戰基準上，Ornith-1.5 的資料表現相當搶眼。

旗艦級的 Ornith-1.5-397B 在 Terminal-Bench 2.1 的 Terminus-2 測試中拿下了 86.1 分，在 DeepSWE 上取得 56.0 分，在 SWE-bench Verified 上拿到 86.0 分。這一成績追平了 Claude Opus 4.8 的對應表現，同時全面超越了同等量級的開源對手 GLM-5.2 和 DeepSeek-V4-Flash-0731。

中等尺寸的 Ornith-1.5-35B 採用了 MoE 架構，每個 token 僅啟用 3B 引數。即便計算開銷極低，它在 Terminal-Bench 2.1 的 Claude Code 測試中依然跑出了 68.5 分，SWE-bench Verified 拿到 79.0 分，大幅領先同量級的 Qwen 3.6-35B，並超越了 30B 級別的稠密模型 Gemma 4-31B 與 Muse Glimmer-30B。

最小的 Ornith-1.5-9B 在 Terminal-Bench 2.1 上得到 47.0 分，SWE-bench Verified 達到 70.6 分。通過量化後的 Ornith-1.5-9B-Mobile，開發者可以直接在主流智慧手機上部署擁有同等基準表現的程式碼與代理模型。

為什麼重要

我們認為，Ornith-1.5 最聰明的點在於證明了合成數據訓練可以完全脫離靜態題庫。通過將任務生成、評估沙盒與強化學習閉環做深，開源模型在複雜的長程編碼和 Agent 任務上也能摸到頂級閉源模型的門檻。

如果你是做原生代碼助手或端側 Agent 的開發者，Ornith-1.5-9B-Mobile 非常值得第一時間下載測試，它用極小的體積提供了過去 30B 甚至更大模型才有的工具呼叫與程式碼修復能力。不過對想要復現這套自提升閉環的團隊來說，如何保證模型自己生成的任務不發生邏輯漂移，依然需要仔細除錯評估腳手架的抗作弊邊界。