Het Ornith-team heeft Ornith-1.5 uitgebracht, een familie van taalmodellen met open gewicht, gebouwd rond een ongebruikelijk idee: het model genereert zijn eigen trainingstaken, ontwerpt zijn eigen steigers en leert van zijn eigen oplossingspogingen in een continu lopende lus. Volgens de eigen evaluaties van het team scoort het vlaggenschip Ornith-1.5-397B 86,1 op Terminal-Bench 2.1 (Terminus-2), waarmee het op één lijn ligt met Claude Opus 4.8 van Anthropic met 85,0 en vóór elk ander open-sourcemodel van vergelijkbare grootte.

De release, deze week gepubliceerd op de Ornith-blog en op Hugging Face onder een MIT-licentie, is het nieuwste salvo in de open-source AI-race die regelmatig resultaten heeft opgeleverd die ooit onmogelijk werden geacht zonder het budget van een grenslaboratorium. Voor ontwikkelaars en ondernemingen die het [laatste AI-modelnieuws] (https://aibuzzwire.news) volgen, is de betekenis tweeledig: de benchmarkpariteit met een toonaangevend gesloten model, en een trainingsrecept dat aangeeft waar de ontwikkeling van open modellen naartoe gaat.

Drie maten, één recept

Ornith-1.5 wordt geleverd in drie configuraties: een vlaggenschip met een mix van experts met 397 miljard parameters, een MoE van 35 miljard die slechts 3 miljard parameters per token activeert, en een compact model met een dichtheid van 9 miljard met een gekwantiseerde 'mobiele' variant, ontworpen om rechtstreeks op iPhone- en Android-apparaten te draaien. Alle drie zijn beschikbaar op Hugging Face naast GGUF-, MLX- en NVFP4-builds, en de modelkaarten geven aan dat de familie is gebouwd op de Qwen3.5 MoE-architectuur.

De afstamming is hier van belang. Ornith-1.0, eerder dit jaar uitgebracht, maakte de 'self-scaffolding'-benadering van agentische codering populair en werd een stille hit - de 9B GGUF-build heeft meer dan vijf miljoen downloads op Hugging Face geregistreerd. Ornith-1.5 breidt dat raamwerk uit van het optimaliseren van steigers en uitrol naar een volledige pijplijn voor zelfverbetering.

De zelfverbeteringscyclus, uitgelegd

In een conventionele pijplijn na de training wordt versterkend leren uitgevoerd tegen een vaste reeks door mensen samengestelde taken. Ornith-1.5 laat in plaats daarvan het model zelf nieuwe taken voorstellen, een taakspecifieke scaffold genereren – de instructies, tools en decompositiestrategie die worden gebruikt om het probleem aan te pakken – en vervolgens oplossingsimplementaties produceren die worden gescoord door de scaffold die het zojuist heeft gebouwd. De beloning wordt door alle drie de fasen doorgegeven met behulp van GRPO, zodat het systeem tegelijkertijd leert betere taken, betere steigers en betere oplossingen te schrijven.

De beloning voor het genereren van taken vormt de kern van het ontwerp. Elke voorgestelde taak wordt gescoord op basis van drie multiplicatieve signalen: geldigheid (wordt het schavot correct uitgevoerd en geëvalueerd?), grensmoeilijkheid (is het empirische succespercentage van het model dichtbij een doelstelling van ongeveer 20 procent, waardoor taken uitdagend maar leerbaar blijven?), en nieuwheid (is het voldoende verschillend van alles in een buffer van eerder gegenereerde taken?). Omdat de moeilijkheidsgraad wordt afgemeten aan het huidige succespercentage van het model, escaleert het leerplan automatisch naarmate het model verbetert.

Het team rapporteert ook expliciete anti-hackmaatregelen tijdens de evaluatie: git-geschiedenis wordt verwijderd uit repository-images, zodat modellen eerdere oplossingen niet kunnen herstellen, en netwerktoegang is uitgeschakeld om te voorkomen dat modellen externe antwoorden ophalen. Alle resultaten worden gemiddeld over vijf onafhankelijke runs.

De cijfers

Op het gebied van agentische codering staan de zelfgerapporteerde resultaten van het vlaggenschip aan de top van het open-sourceveld. Op Terminal-Bench 2.1, door het Terminus-2-harnas, komt Ornith-1.5-397B's 86.1 uit op Claude Opus 4.8 (85.0), DeepSeek-V4-Flash-0731 (82.7) en GLM-5.2 (81). Op dezelfde benchmark die door het Claude Code-harnas wordt uitgevoerd, scoort Ornith-1.5 85,2 tegen 78,9 van Opus 4.8. Op SWE-bench Verified staan ​​de twee feitelijk gelijk op 86,0 en 85,8, met Kimi K3 iets voorsprong op 86,2.

De verschillen worden groter bij hardere agentensuites. Op DeepSWE scoort Ornith-1.5-397B 56,0 – vóór de 46,2 van GLM-5.2, maar achter Opus 4.8 (59,0) en Kimi K3 (67,5). De meest opvallende sprong is generatiegebonden: Ornith-1.0 scoorde slechts 8,0 op DeepSWE, wat betekent dat de nieuwe iteratie een zevenvoudige verbetering oplevert ten opzichte van dezelfde benchmarkfamilie.

De kleinere modellen vertellen hun eigen verhaal. Ornith-1.5-35B-A3B, die slechts 3B-parameters per token activeert, scoort 68,5 op Terminal-Bench 2.1 (Claude Code) versus 43,4 voor Google's Gemma 4-31B en 51,7 voor Meta's Muse Glimmer-30B, en scoort 79,0 op SWE-bench Verified. Het 9B-model bereikt 47,0 op Terminal-Bench 2.1, 70,6 op SWE-bench Verified en 86,4 op GPQA Diamond – cijfers die een model uit de telefoonklasse binnen redelijke afstand van rivalen uit de desktopklasse plaatsen.

Voorbehoud en context

Dit zijn door ontwikkelaars uitgevoerde benchmarks, geen onafhankelijk gecontroleerde resultaten, en de vergelijkingsmodellen zijn door het Ornith-team geëvalueerd op basis van hun eigen harnasinstellingen. Rivaliserende laboratoria stemmen ook af op verschillende afwegingen; Kimi K3's voorsprong op DeepSWE suggereert dat de grens van agentisch softwarewerk nog steeds omstreden is. Maar de volledige transparantie van de uitgave – gemiddelden over vijf runs, gepubliceerde harnasconfiguraties, bekendgemaakte waarborgen – maakt onafhankelijke reproductie ongebruikelijk eenvoudig.

De reactie van de gemeenschap was aanzienlijk. De release-aankondiging trok binnen enkele uren ruim honderd punten op Hacker News, waarbij de discussie zich minder concentreerde op de benchmarkclaims dan op de zelfverbeteringsmethodologie, die door verschillende commentatoren werd beschreven als een van de meer geloofwaardige open implementaties van het genereren van recursieve taken.

Voor het open-source-ecosysteem komt Ornith-1.5 terecht op een moment waarop open modellen van Chinese laboratoria en westerse onafhankelijke teams de kloof hebben gedicht met gesloten grenzen op het gebied van coderen en agentische taken. Een familie met een MIT-licentie die overeenkomt met een toonaangevend gesloten model op Terminal-Bench – en een telefoonklare 9B-variant levert – verkleint die kloof nog verder, en doet dit met een trainingsmethode die iedereen kan inspecteren, reproduceren en uitbreiden.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →