Ornith-teamet har släppt Ornith-1.5, en familj av språkmodeller med öppen vikt byggd kring en ovanlig idé: modellen genererar sina egna träningsuppgifter, designar sina egna ställningar och lär sig av sina egna lösningsförsök i en kontinuerligt löpande loop. Enligt lagets egna utvärderingar får flaggskeppet Ornith-1.5-397B 86.1 på Terminal-Bench 2.1 (Terminus-2), vilket gör det i paritet med Anthropics Claude Opus 4.8 på 85.0 och före alla andra modeller med öppen källkod av jämförbar storlek.

Releasen, som publicerades den här veckan på Ornith-bloggen och på Hugging Face under en MIT-licens, är den senaste salvan i AI-racet med öppen källkod som regelbundet har gett resultat som en gång ansågs vara omöjliga utan en budget för ett gränslab. För utvecklare och företag som spårar de senaste nyheterna om AI-modellen är betydelsen tvåfaldig: benchmarkpariteten med en ledande sluten modell och ett träningsrecept som pekar på vart utvecklingen av öppen modell är på väg härnäst.

Tre storlekar, ett recept

Ornith-1.5 levereras i tre konfigurationer: ett flaggskepp med en blandning av experter med 397B parametrar, ett 35B MoE som endast aktiverar 3B parametrar per token, och en kompakt 9B tät modell med en kvantiserad "Mobil" variant designad för att köras direkt på iPhone och Android-enheter. Alla tre är tillgängliga på Hugging Face tillsammans med GGUF-, MLX- och NVFP4-byggen, och modellkorten indikerar att familjen är byggd på Qwen3.5 MoE-arkitekturen.

Här är härstamningen betydelse. Ornith-1.0, som släpptes tidigare i år, populariserade "självställnings"-metoden för agentkodning och blev en tyst hit - dess 9B GGUF-bygge har loggat mer än fem miljoner nedladdningar på Hugging Face. Ornith-1.5 utökar det ramverket från att optimera ställningar och utrullningar till en komplett självförbättringspipeline.

Självförbättringsslingan, förklarad

I en konventionell pipeline efter utbildning körs förstärkningsinlärning mot en fast uppsättning av mänskligt kurerade uppgifter. Ornith-1.5 låter istället själva modellen föreslå nya uppgifter, generera en uppgiftsspecifik ställning – instruktionerna, verktygen och nedbrytningsstrategin som används för att attackera problemet – och sedan producera lösningsutrullningar som poängsätts av ställningen som den just byggt. Belöning sprids tillbaka genom alla tre stegen med GRPO, så att systemet samtidigt lär sig att skriva bättre uppgifter, bättre ställningar och bättre lösningar.

Belöningen för att generera uppdrag är hjärtat i designen. Varje föreslagen uppgift poängsätts på tre multiplikativa signaler: validitet (verkställs och utvärderas ställningen korrekt?), gränssvårighet (är modellens empiriska framgångsfrekvens nära ett mål på ungefär 20 procent, att hålla uppgifterna utmanande men lärbara?) och nyhet (är det tillräckligt olikt allt i en buffert av tidigare genererade uppgifter?). Eftersom svårighetsgraden mäts mot modellens egen nuvarande framgångsfrekvens, eskalerar läroplanen automatiskt när modellen förbättras.

Teamet rapporterar också explicita anti-hackningsåtgärder under utvärderingen: git-historik tas bort från förvarsbilder så att modeller inte kan återställa tidigare lösningar, och nätverksåtkomst är inaktiverat för att förhindra att modeller hämtar externa svar. Alla resultat är medelvärden över fem oberoende körningar.

Siffrorna

När det gäller agentkodning samlas flaggskeppets självrapporterade resultat överst i fältet med öppen källkod. På Terminal-Bench 2.1 körs genom Terminus-2-selen, Ornith-1.5-397B:s 86.1 kanter ut Claude Opus 4.8 (85.0), DeepSeek-V4-Flash-0731 (82.7) och GLM-5.2 (81). På samma riktmärke som körs genom Claude Code-selen, har Ornith-1.5 85.2 mot Opus 4.8:s 78.9. På SWE-bench Verified ligger de två i praktiken lika på 86,0 och 85,8, med Kimi K3 något före på 86,2.

Klyftorna ökar på hårdare agentsviter. På DeepSWE får Ornith-1.5-397B 56.0 — före GLM-5.2:s 46.2, dock bakom Opus 4.8 (59.0) och Kimi K3 (67.5). Det mest slående hoppet är generationsmässigt: Ornith-1.0 fick bara 8,0 på DeepSWE, vilket betyder att den nya iterationen ger en sjufaldig förbättring jämfört med samma benchmark-familj.

De mindre modellerna berättar sin egen historia. Ornith-1.5-35B-A3B, aktiverar endast 3B parametrar per token, får 68.5 på Terminal-Bench 2.1 (Claude Code) mot 43.4 för Googles Gemma 4-31B och 51.7 för Metas Muse Glimmer-30B, och postar på SWE-bench Verified 79.0. 9B-modellen når 47,0 på Terminal-Bench 2.1, 70,6 på SWE-bench Verified, och 86,4 på GPQA Diamond – siffror som sätter en telefonmodell inom slående avstånd från rivaler i skrivbordsklass.

Varningar och sammanhang

Dessa är utvecklardrivna riktmärken, inte oberoende granskade resultat, och jämförelsemodellerna utvärderades av Ornith-teamet under sina egna seleinställningar. Konkurrentlabb ställer också in olika avvägningar; Kimi K3:s ledning på DeepSWE antyder att gränsen för agentprogramvaruarbete fortfarande är ifrågasatt. Men releasens fullbordstransparens – medelvärden för fem körningar, publicerade selekonfigurationer, avslöjade skyddsåtgärder – gör oberoende reproduktion ovanligt enkel.

Samhällets respons har varit betydande. Utgivningsmeddelandet drog över hundra poäng på Hacker News inom några timmar, med diskussionen fokuserade mindre på benchmark-påståenden än på självförbättringsmetoden, som flera kommentatorer beskrev som en av de mer trovärdiga öppna implementeringarna av rekursiv-stil uppgiftsgenerering.

För ekosystemet med öppen källkod landar Ornith-1.5 i ett ögonblick då öppna modeller från Kinas labb och västerländska oberoende team har täppt till gapet med stängda gränser för kodning och agentuppgifter. En MIT-licensierad familj som matchar en ledande sluten modell på Terminal-Bench - och levererar en telefonklar 9B-variant - minskar det gapet ytterligare och gör det med en träningsmetod som alla kan inspektera, reproducera och utöka.

---

Stay ahead of AI

Få de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.

Läs mer AI-nyheter →