Das Ornith-Team hat Ornith-1.5 veröffentlicht, eine Familie offener Sprachmodelle, die auf einer ungewöhnlichen Idee basiert: Das Modell generiert seine eigenen Trainingsaufgaben, entwirft seine eigenen Gerüste und lernt in einer kontinuierlich laufenden Schleife aus seinen eigenen Lösungsversuchen. Den eigenen Auswertungen des Teams zufolge erreicht das Flaggschiff Ornith-1.5-397B auf Terminal-Bench 2.1 (Terminus-2) einen Wert von 86,1 und liegt damit auf Augenhöhe mit Anthropics Claude Opus 4.8 mit 85,0 und vor jedem anderen Open-Source-Modell vergleichbarer Größe.

Die Veröffentlichung, die diese Woche im Ornith-Blog und auf Hugging Face unter einer MIT-Lizenz veröffentlicht wurde, ist die neueste Salve im Open-Source-KI-Rennen, das regelmäßig Ergebnisse hervorgebracht hat, die einst ohne das Budget eines Grenzlabors für unmöglich gehalten hätten. Für Entwickler und Unternehmen, die die [neuesten Neuigkeiten zum KI-Modell] (https://aibuzzwire.news) verfolgen, ist dies von zweierlei Bedeutung: die Benchmark-Parität mit einem führenden geschlossenen Modell und ein Trainingsrezept, das zeigt, wohin die Entwicklung des offenen Modells als nächstes geht.

Drei Größen, ein Rezept

Ornith-1.5 wird in drei Konfigurationen ausgeliefert: als 397B-Parameter-Mix-of-Experten-Flaggschiff, als 35B-MoE, das nur 3B-Parameter pro Token aktiviert, und als kompaktes 9B-Dichtungsmodell mit einer quantisierten „Mobile“-Variante, die für die direkte Ausführung auf iPhone- und Android-Geräten konzipiert ist. Alle drei sind neben GGUF-, MLX- und NVFP4-Builds auf Hugging Face verfügbar, und die Modellkarten weisen darauf hin, dass die Familie auf der Qwen3.5 MoE-Architektur basiert.

Hier kommt es auf die Abstammung an. Ornith-1.0, das Anfang des Jahres veröffentlicht wurde, machte den „Self-Scaffolding“-Ansatz für die Agentencodierung populär und wurde zu einem stillen Hit – sein 9B GGUF-Build verzeichnete mehr als fünf Millionen Downloads auf Hugging Face. Ornith-1.5 erweitert dieses Framework von der Optimierung von Gerüsten und Rollouts zu einer vollständigen Pipeline zur Selbstverbesserung.

Die Selbstverbesserungsschleife, erklärt

In einer herkömmlichen Post-Training-Pipeline läuft das Reinforcement Learning auf einen festen Satz von von Menschen kuratierten Aufgaben ab. Stattdessen lässt Ornith-1.5 das Modell selbst neue Aufgaben vorschlagen, ein aufgabenspezifisches Gerüst generieren – die Anweisungen, Werkzeuge und Zerlegungsstrategien, mit denen das Problem angegangen wird – und dann Lösungs-Rollouts produzieren, die von dem gerade erstellten Gerüst bewertet werden. Die Belohnung wird mithilfe von GRPO über alle drei Phasen hinweg weitergegeben, sodass das System gleichzeitig lernt, bessere Aufgaben, bessere Gerüste und bessere Lösungen zu schreiben.

Die Belohnung für die Aufgabengenerierung ist das Herzstück des Designs. Jede vorgeschlagene Aufgabe wird anhand von drei multiplikativen Signalen bewertet: Validität (wird das Gerüst korrekt ausgeführt und ausgewertet?), Grenzschwierigkeit (liegt die empirische Erfolgsquote des Modells in der Nähe eines Ziels von etwa 20 Prozent, sodass die Aufgaben herausfordernd, aber erlernbar bleiben?) und Neuheit (unterscheidet es sich ausreichend von allem in einem Puffer zuvor generierter Aufgaben?). Da der Schwierigkeitsgrad anhand der aktuellen Erfolgsquote des Modells gemessen wird, eskaliert der Lehrplan automatisch, wenn sich das Modell verbessert.

Das Team berichtet außerdem über explizite Anti-Hacking-Maßnahmen während der Evaluierung: Der Git-Verlauf wird aus den Repository-Images entfernt, sodass Modelle frühere Lösungen nicht wiederherstellen können, und der Netzwerkzugriff wird deaktiviert, um zu verhindern, dass Modelle externe Antworten abrufen. Alle Ergebnisse werden über fünf unabhängige Läufe gemittelt.

Die Zahlen

Bei der Agentencodierung liegen die selbst gemeldeten Ergebnisse des Flaggschiffs ganz oben im Open-Source-Bereich. Beim Terminal-Bench 2.1-Lauf durch den Terminus-2-Kabelbaum verdrängt Ornith-1.5-397B mit 86,1 Claude Opus 4.8 (85,0), DeepSeek-V4-Flash-0731 (82,7) und GLM-5.2 (81). Beim gleichen Benchmark-Durchlauf mit dem Claude-Code-System erzielt Ornith-1.5 einen Wert von 85,2 gegenüber 78,9 für Opus 4.8. Auf der SWE-Benchmark Verified liegen die beiden effektiv bei 86,0 und 85,8, wobei Kimi K3 mit 86,2 leicht vorne liegt.

Bei härteren Agentensuiten werden die Lücken größer. Auf DeepSWE erreicht Ornith-1.5-397B einen Wert von 56,0 – vor GLM-5.2 mit 46,2, allerdings hinter Opus 4,8 (59,0) und Kimi K3 (67,5). Der auffälligste Sprung ist generationsbedingt: Ornith-1.0 erreichte bei DeepSWE nur 8,0, was bedeutet, dass die neue Iteration eine siebenfache Verbesserung gegenüber derselben Benchmark-Familie liefert.

Die kleineren Modelle erzählen ihre eigene Geschichte. Ornith-1.5-35B-A3B, das nur 3B-Parameter pro Token aktiviert, erzielt im Terminal-Bench 2.1 (Claude Code) einen Wert von 68,5 gegenüber 43,4 für Googles Gemma 4-31B und 51,7 für Metas Muse Glimmer-30B und erreicht im SWE-Bench Verified einen Wert von 79,0. Das 9B-Modell erreicht 47,0 bei Terminal-Bench 2.1, 70,6 bei SWE-Bench Verified und 86,4 bei GPQA Diamond – Zahlen, die ein Modell der Telefonklasse in Schlagdistanz zu Konkurrenten der Desktop-Klasse bringen.

Vorbehalte und Kontext

Hierbei handelt es sich um von Entwicklern durchgeführte Benchmarks und nicht um unabhängig geprüfte Ergebnisse. Die Vergleichsmodelle wurden vom Ornith-Team unter seinen eigenen Systemeinstellungen bewertet. Rivalisierende Labore gehen auch unterschiedliche Kompromisse ein; Der Vorsprung von Kimi K3 bei DeepSWE deutet darauf hin, dass die Grenze der Arbeit mit Agentensoftware immer noch umstritten ist. Aber die vollständige Transparenz der Veröffentlichung – Durchschnittswerte aus fünf Durchläufen, veröffentlichte Kabelbaumkonfigurationen, offengelegte Sicherheitsmaßnahmen – macht die unabhängige Reproduktion ungewöhnlich einfach.

Die Reaktion der Community war beträchtlich. Die Veröffentlichungsankündigung zog innerhalb weniger Stunden weit über hundert Punkte bei Hacker News auf sich, wobei sich die Diskussion weniger auf die Benchmark-Ansprüche als vielmehr auf die Selbstverbesserungsmethodik konzentrierte, die mehrere Kommentatoren als eine der glaubwürdigeren offenen Implementierungen der Aufgabengenerierung im rekursiven Stil bezeichneten.

Für das Open-Source-Ökosystem kommt Ornith-1.5 zu einem Zeitpunkt, an dem offene Modelle aus Chinas Labors und westliche unabhängige Teams die Lücke mit geschlossenen Grenzen bei Codierung und Agentenaufgaben schließen. Eine vom MIT lizenzierte Familie, die einem führenden geschlossenen Modell auf Terminal-Bench entspricht – und eine telefonfähige 9B-Variante liefert – verringert diese Lücke weiter und erreicht dies mit einer Trainingsmethode, die jeder überprüfen, reproduzieren und erweitern kann.

---

Der KI einen Schritt voraus sein

Erhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Weitere KI-Neuigkeiten lesen →