Ornith-1.5 三档权重齐发：让模型自己出题自己练

Ornith 一次性放出了 397B MoE、35B MoE 和 9B Dense 三档 MIT 权重，并把一项相当激进的训练机制塞进了强化学习流程：模型不再只负责解题，还要自己生成训练任务、自己搭建解题脚手架、自己跑出轨迹，奖励则从轨迹回传给全部三段。三件事首次在同一个闭环里被同时优化。

核心思路：把「课程设计」也学出来

高质量的智能体训练任务长期是稀缺品：题要有判分逻辑、要能跑得起来、难度还要恰好踩在模型「差一口气」的位置上。人工整理速度远远跟不上模型的消耗速度。Ornith-1.5 的回应是把「出卷」这件事也交给模型。

给定一个代码库和一段关于任务类型的高层说明，外加模型自己过去的解题记录，系统会：

先按模型当前能力生成一批比已会题再难一档的新题；
再为每道题生成或改进专属脚手架（指令、工具、拆解策略、编排逻辑）；
最后在任务与脚手架双重条件下跑出解题轨迹。

奖励通过 GRPO 反向传给三段，「出题」「搭台」「解题」从此形成策略越强 → 题目越难越有信息量 → 脚手架越能把能力榨出来 → 轨迹质量再喂回学习信号的飞轮。

防废题：三项奖励相乘，缺一即零

听上去很美，但很容易想到破绽：模型若给自己出送分题，分数照样能刷爆。Ornith 的办法是把任务奖励拆成三项相乘——有效性、前沿难度、新颖性，任何一项接近零，整道题奖励归零。

有效性（硬门槛）：脚手架跑不跑得起来、高置信度正确解能不能通过、明显错误的解会不会被判失败。任一不过关，直接判零，专拦「看着难、其实判不出对错」的废题。
前沿难度：对每道题采样若干轨迹算经验成功率，目标值定在 0.2 附近。十次里做成两次才是一道好题——做成八次已经会了，一次都做不成则攒不出成功轨迹，RL 同样空转。靶子随模型能力自动爬升，无需人工调难度。
新颖性（权重最低）：只负责去冗余，避免重复出同一道题的变体；官方明确其优先级低于前两项，不奖励怪题。

基准成绩与一张必须说清楚的尺子

按 Ornith 团队自测（取五次独立运行均值，4 小时超时、32 核 CPU、48GB 内存），Terminal-Bench 2.1 上：

397B MoE：86.1，比两个月前 Ornith-1.0 的 77.5 涨 8.6 个百分点；
Ornith 自测的 Opus 4.8：85.0；
官方榜单核验的 Opus 4.8（Claude Code 配置）：78.9，排第 5。

同一个 Opus 4.8，两张表相差 6.1 分。原因在于 Terminal-Bench 类基准测的是「模型 + 脚手架 + 超时 + 上下文 + 资源配置」的组合成绩，换一套配置分数就换一层含义。截至 2026 年 8 月 19 日，Terminal-Bench 2.1 官方验证榜单 17 项中并没有 Ornith-1.5。因此项目自测成绩与官方榜单不能放进同一个排名里读。

此外，MIT 许可证只覆盖权重本身，公开仓库目前主要是 README、LICENSE 和展示素材，没有 1.5 完整训练实现、训练任务集，也没有可复现的评测脚本。开放权重，不等于全套开源。

中小尺寸才是真正能用得上的两档

旗舰负责上热搜，中小尺寸决定多少人真的用得上。

35B-A3B（MoE，每 token 激活约 3B）：Terminal-Bench 2.1 跑 67.8，对比 Gemma 4-31B 的 42.1 和 Muse Glimmer-30B 的 51.7 高出一截；SWE-bench Verified 上 79.0 对 52.0。激活 3B 打赢 31B 稠密，是这组发布里性价比最高的一档。
9B Dense（面向端侧）：Terminal-Bench 46.2，SWE-bench Verified 70.6，GPQA Diamond 86.4，5.63GB 压缩权重与 MLX 格式均已在 Hugging Face 上放出。

不过 9B 也不是全面压制 Gemma 4-31B：在 MCP-Atlas（54.2 对 55.0）和 Toolathlon-Verified（41.2 对 52.8）上落后，这两项考的是多轮工具调用、按状态改计划，长链条一旦拉长，9B 的容量就撑不住了。编码和推理能靠训练方法补回体量差，工具调用补不回来。

开放权重追赶闭源的新一条路

从 6 月的 1.0 到 8 月的 1.5，Terminal-Bench 自测在两个月内提升约 11.1%。比数字更重要的是能力的成长方式：1.0 学的是「怎么解」，1.5 开始学「该练什么」——数据生产这道工序，被整个搬进了强化学习闭环。

堆参数、抄配方之外，开放权重阵营正在多出一条路：自己造题。谁能持续造出好题，谁就握着持续变强的燃料。只是当出题、搭台、解题三件事都交给模型，人类留在这个闭环里的位置，也随之需要被重新定义。