开源Agentic编码模型Ornith初探自我改进大模型家族的完整入门指南【免费下载链接】Ornith-1项目地址: https://gitcode.com/gh_mirrors/or/Ornith-1Ornith 是一个面向Agentic Coding智能体编码任务的自我改进开源大模型家族包含 Ornith-1.0 与 Ornith-1.5 两代模型。本文带你完整入门这个会自己出题、自己训练、自己变强的大模型家族它是什么、性能如何、以及新手如何快速跑起来。上图为 Ornith-1.5397B与 Ornith-1.0397B在多项编码、推理和智能体基准上与主流大模型的对比橙色列代表 Ornith 两代模型。什么是 Ornith 自我改进大模型家族普通大模型训练完就定型了而 Ornith 的核心思路是让模型自己生成训练素材再反过来强化自己形成闭环。整个家族分为两代详细介绍见 README.mdOrnith-1.0第一代联合优化脚手架scaffold与模型产出的解答轨迹solution rollouts即模型在学怎么规划任务的同时也在学怎么把任务做完。Ornith-1.5最新一代把自我脚手架self-scaffolding扩展为完整的自我改进循环——模型自己提出新任务 → 生成任务专属的脚手架 → 产出解答轨迹用于强化学习实现端到端的自我进化。两代模型均采用MIT 协议开源全球可访问、无地区限制个人和商用都友好。两代模型的演进从协同优化到完整自我改进循环Ornith-1.0Agentic 编码的起点Ornith-1.0 是家族的第一次发布重点解决模型 工具使用框架的协同训练问题训练时不再只优化最终答案而是把**脚手架模型组织工具调用、规划步骤的中间过程**也纳入优化目标让编码智能体在真实任务中学会想清楚再动手。Ornith-1.5完整的自我改进循环Ornith-1.5 在 1.0 基础上把循环彻底打通可以理解为三步闭环模型自己提出新任务任务生成模型为任务生成专属脚手架scaffold 生成模型产出解答轨迹rollouts用于强化学习训练后能力进一步提升进入下一轮循环。这意味着 Ornith-1.5 不只是会用工具而是具备了持续自我迭代的训练范式这也是自我改进大模型说法的由来。模型规模与基准成绩9B 到 397B 全尺寸覆盖Ornith 两代模型都提供三档尺寸覆盖从单卡本地到多卡集群的部署场景尺寸架构定位9BDense稠密单张 80GB 显卡即可运行适合本地部署与微调35BMoE激活约 3B 参数多卡全精度部署397BMoE旗舰级多卡节点全精度部署此外Ornith-1.5 额外提供了9B-Mobile 量化版支持在 iPhone / Android 等终端设备上本地推理。所有检查点都提供256K262,144 token上下文窗口且对外暴露统一的 OpenAI 兼容接口。旗舰 397B 的关键成绩根据 README.md 中的基准表格Ornith-1.5-397B 的代表性成绩包括SWE-bench Verified86 分真实 GitHub 仓库 Issue 修复与顶级闭源模型基本持平️Terminal-Bench 2.186.1 分最佳 harness 下终端智能体编码表现第一梯队GPQA Diamond92.8 分、HLE无工具44.6 分推理能力同样过硬Toolathlon-Verified71.2 分显著高于同规模的上一代 Ornith-1.043.2体现智能体工具调用能力的代际跃升。小模型同样能打9B 与 35B 版本也保持同族水准Ornith-1.5-9B 在 SWE-bench Verified 上取得70.6 分超过了多个参数量更大的对比模型35B-A3B 版本MoE激活参数仅 3B在 SWE-bench Verified 上达到79 分推理成本却接近小模型——对预算有限的团队非常友好。 一句话总结旗舰 397B 对标顶级闭源模型9B/35B 版本则是低成本高性能的本地 Agentic 编码选择。新手快速上手4 种运行 Ornith 的方法⚠️ 注意Ornith 是推理模型回答前会先输出一段think思考过程服务端会将其解析到独立的reasoning_content字段并支持标准 OpenAI 风格的tool_calls工具调用。官方推荐采样参数temperature0.6、top_p0.95、top_k20。方法一vLLM / SGLang 起一个 OpenAI 兼容服务使用 vLLM≥ 0.19.1或 SGLang≥ 0.5.9一条命令即可起服务之后任何 OpenAI 兼容客户端包括各种 AI 编程工具都能直接连上9B 稠密模型单张 80GB 显卡直接跑无需分布式参数35B / 397B MoE 模型设置--tensor-parallel-size或 SGLang 的--tp等于显卡数按张量并行切分。启动后访问/v1/chat/completions即可对话、流式输出、传入tools参数进行函数调用。方法二Transformers 本地直接加载用 Hugging Face Transformers≥ 5.8.1几行代码即可加载模型做离线生成适合快速验证和脚本化测试9B 版本最容易在本地跑通具体代码示例见 README.md。方法三接入智能体框架与编码 CLI因为 Ornith 提供标准 OpenAI 兼容端点 工具调用能力主流 Agent 框架基本开箱即用通常只需设置三个环境变量OPENAI_BASE_URL指向本地服务、OPENAI_API_KEY填任意非空值、模型名填Ornith-1.5或Ornith-1.0。官方验证过的组合包括智能体框架Hermes Agent、OpenHands、OpenClaw⌨️编码 CLIOpenCode 等终端编程工具把端点注册为 provider 即可让它理解大型代码库、自动完成繁琐工作本地轻量运行时Ollama / llama.cpp 可直接加载 Ornith-1.0 的 9B / 35BGGUF 量化版无需 GPU 也能本地体验。方法四手机端本地推理9B-MobileOrnith-1.5-9B-Mobile 是官方提供的量化移动端构建可在iPhone / Android 上端侧推理适合想离线使用 Agentic 编码能力的极客玩家。许可协议与项目文件速览Ornith 全系列采用 MIT 许可权重与文档全球可访问、无地区限制可自由使用、修改与商用。项目核心文件如下文件说明README.md模型介绍、两代模型说明、完整基准表格与全部部署教程LICENSEMIT 开源协议全文assets/ornith_397b_eval.png397B 版本多基准评测对比图总结为什么值得关注 Ornith范式创新Ornith-1.5 把自我出题 → 自我脚手架 → 自我强化学习做成完整闭环是自我改进大模型方向的代表性开源工作成绩扎实397B 在 SWE-bench Verified、Terminal-Bench 等编码基准上进入第一梯队9B/35B 小模型性价比突出️上手门槛低OpenAI 兼容接口 256K 上下文 多框架即插即用从笔记本到手机再到多卡集群都有对应版本完全开源MIT 协议、无地区限制是目前最开放的 Agentic 编码模型家族之一。如果你是编码智能体的实践者不妨从 9B 版本起步体验如果你追求极限能力397B 旗舰版值得一试。【免费下载链接】Ornith-1项目地址: https://gitcode.com/gh_mirrors/or/Ornith-1创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考