A equipe Ornith lançou o Ornith-1.5, uma família de modelos de linguagem de peso aberto construídos em torno de uma ideia incomum: o modelo gera suas próprias tarefas de treinamento, projeta seus próprios andaimes e aprende com suas próprias tentativas de solução em um loop contínuo. De acordo com as próprias avaliações da equipe, o carro-chefe Ornith-1.5-397B pontua 86,1 no Terminal-Bench 2.1 (Terminus-2), colocando-o no mesmo nível do Claude Opus 4.8 da Anthropic com 85,0 e à frente de qualquer outro modelo de código aberto de tamanho comparável.
O lançamento, publicado esta semana no blog Ornith e no Hugging Face sob licença do MIT, é a mais recente salva na corrida de IA de código aberto que tem produzido regularmente resultados antes considerados impossíveis sem o orçamento de um laboratório de fronteira. Para desenvolvedores e empresas que acompanham as últimas notícias sobre modelos de IA, o significado é duplo: a paridade de benchmark com um modelo fechado líder e uma receita de treinamento que aponta para onde o desenvolvimento de modelos abertos está caminhando.
Três tamanhos, uma receita
O Ornith-1.5 é fornecido em três configurações: um carro-chefe com mistura de especialistas de 397B de parâmetros, um MoE de 35B que ativa apenas 3B de parâmetros por token e um modelo compacto de 9B denso com uma variante "Mobile" quantizada projetada para ser executada diretamente em dispositivos iPhone e Android. Todos os três estão disponíveis no Hugging Face junto com as compilações GGUF, MLX e NVFP4, e os cartões de modelo indicam que a família é construída na arquitetura Qwen3.5 MoE.
A linhagem é importante aqui. Ornith-1.0, lançado no início deste ano, popularizou a abordagem de “auto-andaime” para codificação de agente e se tornou um sucesso silencioso – sua versão 9B GGUF registrou mais de cinco milhões de downloads no Hugging Face. Ornith-1.5 estende essa estrutura desde a otimização de andaimes e implementações até um pipeline completo de autoaperfeiçoamento.
O ciclo de autoaperfeiçoamento, explicado
Em um pipeline pós-treinamento convencional, o aprendizado por reforço é executado em um conjunto fixo de tarefas selecionadas por humanos. Em vez disso, o Ornith-1.5 faz com que o próprio modelo proponha novas tarefas, gere um andaime específico da tarefa – as instruções, ferramentas e estratégia de decomposição usada para atacar o problema – e então produza implementações de soluções que são pontuadas pelo andaime que acabou de construir. A recompensa é propagada através de todos os três estágios usando GRPO, de modo que o sistema aprende simultaneamente a escrever melhores tarefas, melhores andaimes e melhores soluções.
A recompensa pela geração de tarefas é o cerne do design. Cada tarefa proposta é pontuada com base em três sinais multiplicativos: validade (o andaime executa e avalia corretamente?), dificuldade de fronteira (a taxa de sucesso empírico do modelo está próxima de uma meta de aproximadamente 20 por cento, mantendo as tarefas desafiadoras, mas aprendíveis?) e novidade (é suficientemente diferente de tudo em um buffer de tarefas geradas anteriormente?). Como a dificuldade é medida em relação à taxa de sucesso atual do modelo, o currículo aumenta automaticamente à medida que o modelo melhora.
A equipe também relata medidas anti-hacking explícitas durante a avaliação: o histórico do git é removido das imagens do repositório para que os modelos não possam recuperar soluções anteriores e o acesso à rede é desativado para evitar que os modelos busquem respostas externas. Todos os resultados são calculados em média em cinco execuções independentes.
Os Números
Na codificação de agente, os resultados auto-relatados do carro-chefe se agrupam no topo do campo de código aberto. No Terminal-Bench 2.1, passe pelo chicote Terminus-2, o 86.1 do Ornith-1.5-397B ultrapassa Claude Opus 4.8 (85.0), DeepSeek-V4-Flash-0731 (82.7) e GLM-5.2 (81). No mesmo benchmark executado através do chicote Claude Code, Ornith-1.5 registra 85,2 contra 78,9 do Opus 4.8. No banco SWE verificado, os dois estão efetivamente empatados em 86,0 e 85,8, com Kimi K3 ligeiramente à frente em 86,2.
As lacunas aumentam em suítes de agentes mais difíceis. No DeepSWE, Ornith-1.5-397B pontua 56,0 – à frente dos 46,2 do GLM-5.2, embora atrás do Opus 4.8 (59,0) e do Kimi K3 (67,5). O salto mais impressionante é geracional: Ornith-1.0 obteve apenas 8,0 no DeepSWE, o que significa que a nova iteração oferece uma melhoria de sete vezes na mesma família de benchmark.
Os modelos menores contam sua própria história. Ornith-1.5-35B-A3B, ativando apenas 3B de parâmetros por token, pontua 68,5 no Terminal-Bench 2.1 (Claude Code) contra 43,4 para Gemma 4-31B do Google e 51,7 para Muse Glimmer-30B da Meta, e publica 79,0 no SWE-bench Verified. O modelo 9B atinge 47,0 no Terminal-Bench 2.1, 70,6 no SWE-bench Verified e 86,4 no GPQA Diamond – números que colocam um modelo de classe de telefone a uma distância impressionante dos rivais da classe de desktop.
Advertências e Contexto
Estes são benchmarks executados por desenvolvedores, não resultados auditados de forma independente, e os modelos de comparação foram avaliados pela equipe Ornith sob suas próprias configurações de hardware. Os laboratórios rivais também buscam diferentes compensações; A liderança de Kimi K3 no DeepSWE sugere que a fronteira do trabalho de software agente ainda é contestada. Mas a transparência da tabela completa do lançamento – médias de cinco execuções, configurações de chicotes publicadas, salvaguardas divulgadas – torna a reprodução independente extraordinariamente simples.
A resposta da comunidade tem sido substancial. O anúncio de lançamento atraiu bem mais de cem pontos no Hacker News em poucas horas, com a discussão focada menos nas reivindicações de benchmark do que na metodologia de autoaperfeiçoamento, que vários comentaristas descreveram como uma das implementações abertas mais confiáveis de geração de tarefas de estilo recursivo.
Para o ecossistema de código aberto, o Ornith-1.5 chega num momento em que os modelos abertos dos laboratórios da China e das equipes independentes ocidentais vêm fechando a lacuna com fronteiras fechadas em codificação e tarefas de agência. Uma família licenciada pelo MIT que corresponde a um modelo fechado líder no Terminal-Bench – e fornece uma variante 9B pronta para telefone – reduz ainda mais essa lacuna e faz isso com um método de treinamento que qualquer pessoa pode inspecionar, reproduzir e estender.
---
Fique à frente da IAReceba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.
Leia mais notícias sobre IA →
