Ornith：小團隊用自我改進 RL 做出的開源 Coding 黑馬

🌏 English version

DeepReinforce 不是大廠。不是阿里、不是 Meta、不是 Google——是一個專注在 agentic coding 和強化學習的小團隊。但他們在 2026 年 8 月發布的 Ornith 1.5 家族，在多個 coding benchmark 上追平甚至超越了 Claude Opus 4.8，而且全部 MIT 授權開源。這篇整理他們怎麼做到的、值不值得關注。

團隊與定位

DeepReinforce（官網 deep-reinforce.com、產品頁 ornith.ai）的核心主張是：與其手工設計 agent 的 scaffold 和訓練資料，不如讓模型自己學會怎麼搭 scaffold、自己產出訓練題目。

他們不從頭預訓練基礎模型——Ornith 建立在 Qwen3.5 和 Gemma 4 之上，透過繼續預訓練（CPT）、中間訓練和後訓練做出基底，再用自研的 self-improvement RL 框架做最後一哩。這個策略讓小團隊不需要幾千張 GPU 也能做出有競爭力的模型。

訓練方法：從 Self-Scaffolding 到 Self-Improvement

Ornith 的訓練方法是它最有意思的部分。

Ornith 1.0 引入 self-scaffolding：模型不只學解題，還學怎麼搭建解題用的 scaffold（工具呼叫策略、程式碼結構、推理框架）。scaffold 和解題 rollout 透過 GRPO 聯合優化。

Ornith 1.5 把這個迴圈擴展成完整的 self-improvement loop，加入了三個聯合優化的階段：

1. Task Generation——模型自己出題。依據 validity（題目合理）、frontier difficulty（剛好在模型能力邊緣）、novelty（不重複已見過的題）三個訊號給獎勵
2. Scaffold Construction——模型為每道題設計解題 scaffold
3. Solution Rollout——模型在 scaffold 裡執行解題，rollout 的獎勵回傳給前兩個階段

依 Ornith 官方技術報告所述：「Repeated over training, this creates a closed self-improvement loop in which stronger policies enable the generation of harder and more informative tasks, evolving scaffolds discover better ways to elicit the model's capabilities, and higher-quality rollouts provide increasingly effective learning signals.」

簡單說：模型越強 → 出的題越難 → scaffold 越聰明 → 解題品質越高 → 模型更強。這個正向循環不依賴人工標註的資料集，理論上可以持續改進。

模型家族規格

Ornith 1.5 有三個規模，全部 MIT 授權、權重公開在 Hugging Face：

模型	架構	總參數	每 token 啟用	特點
Ornith 1.5-397B	MoE	397B	未公開	旗艦，追平閉源頂尖
Ornith 1.5-35B-A3B	MoE	35B	~3B	效率怪物，同量級王者
Ornith 1.5-9B	Dense	9B	9B	有量化版可跑手機

9B 版本提供 Ornith-1.5-9B-Mobile 量化版，官方表示可以部署在 iPhone 和 Android 裝置上。

Benchmark 對比

以下數據來自 Ornith 官方技術報告，所有 Ornith 成績為五次獨立測試的平均值。

旗艦 397B vs 閉源頂尖

Benchmark	Ornith 1.5-397B	Claude Opus 4.8	GLM-5.2	DeepSeek-V4-Flash
Terminal-Bench 2.1	86.1	85.0	82.7	82.7
SWE-bench Verified	86.0	85.8	—	—
DeepSWE	56.0	59.0	46.2	54.4
GPQA Diamond	92.8	—	—	—
BrowseComp	86.6	—	—	—

397B 在 Terminal-Bench 和 SWE-bench 上略贏 Claude Opus 4.8，DeepSWE 則小輸。整體而言與最強閉源模型打成平手——對一個開源模型來說這是很高的水準。

35B-A3B：真正的驚喜

35B-A3B 是整個家族最值得關注的成員。每個 token 只啟用約 3B 參數，卻在 coding benchmark 上全面領先同量級甚至更大的模型：

Benchmark	Ornith 1.5-35B	Qwen3.6-35B	Gemma 4-31B	Muse Glimmer-30B	Qwen3.5-397B
SWE-bench Verified	79.0	73.4	52.0	76.0	76.4
SWE-bench Pro	59.6	49.5	35.7	—	—
SWE-bench Multilingual	71.4	67.2	—	—	69.3
Terminal-Bench 2.1 (Terminus-2)	67.8	52.5	42.1	51.7	53.5
Terminal-Bench 2.1 (Claude Code)	68.5	49.2	43.4	—	—
DeepSWE	22	0	0	—	1
NL2Repo	46.2	29.4	—	—	36.8
GPQA Diamond	89.2	86.0	—	—	88.4

幾個重點：

• SWE-bench Verified 79.0 是同量級（30B-35B）唯一破 79 的模型，甚至超越 11 倍大的 Qwen3.5-397B（76.4）
• DeepSWE 22 vs 0——同量級的 Qwen3.6-35B 和 Gemma 4-31B 在這個 benchmark 上直接掛零，差距最為懸殊
• 在純推理（HLE with tools）上，35B 的 33.4 仍落後 Qwen3.5-397B 的 48.3，規模差距在通用推理上還是存在

9B：手機上的 Coding Agent

Benchmark	Ornith 1.5-9B	Qwen3.5-9B
Terminal-Bench 2.1	46.2	21.3

9B 在 Terminal-Bench 上超過 Qwen3.5-9B 兩倍以上。官方稱 9B 的表現已經追平甚至超越 Gemma 4-31B 和 Qwen 3.6-35B 這些大好幾倍的模型。

實際使用

Ornith 相容 OpenAI API 格式，可以用 vLLM 或 SGLang 部署。依 GitHub repo 說明，可以直接接入 Claude Code、OpenCode 等 agentic coding CLI：

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
response = client.chat.completions.create(
    model="Ornith-1.5-35B-A3B",
    messages=[{"role": "user", "content": "Fix the bug in this function..."}]
)

35B-A3B 因為每 token 只啟用 3B 參數，推論成本遠低於同分數的模型。社群已有人在單張 A100 上跑 35B 本地部署的實測報告。9B 量化版甚至可以跑在消費級 GPU（12 GB 起）或手機上。

值不值得關注

值得，原因有三：

1. 方法論的意義——self-improvement loop 不依賴人工標註就能持續改進。如果這條路可行，代表小團隊也能持續追趕甚至超越大廠的專有資料優勢
2. 效率的示範——35B-A3B 用 3B 的推論成本做到 79 分的 SWE-bench，讓「自架開源模型做 agentic coding」從理論變成可行方案
3. 完全開源——MIT 授權，權重、程式碼全公開，沒有「開源但不給商用」的限制

需要保留的地方：

• Benchmark 數據來自 Ornith 自己的測試，獨立第三方大規模複現還在進行中
• 通用推理能力（HLE、MATH）仍落後同規模閉源模型，Ornith 的強項集中在 coding 和 agentic 任務
• 團隊規模小，模型的長期維護和迭代速度是未知數

參考資料

• Ornith 1.5 官方技術報告
• DeepReinforce 官網
• Ornith GitHub Repository
• Ornith Hugging Face 模型頁
• Ornith 1.5 35B-A3B Benchmark 分析 — MindStudio
• Ornith 1.5 Self-Improvement Loop 解析 — MindStudio
• AI 模型用途總覽——2026 年你該知道的模型地圖