在人工智能的浩瀚星空中,每一次技术突破都如同划破夜空的流星,照亮前行的道路。2026年8月,Ornith团队发布的Ornith-1.5,就是这样一颗耀眼的新星。它不仅延续了Ornith-1.0的自构建框架,更将AI的自进化能力推向了前所未有的高度。如果说此前的AI模型如同勤奋的学徒,依赖人类导师的指导和标注数据的"喂养",那么Ornith-1.5则如同一位自学成才的大师,通过自我生成任务、动态构建解决方案,在无尽的实践中不断突破自身极限。Ornith-1.5的核心突破在于其完整的自进化循环机制。传统AI模型的训练依赖于固定的数据集和人工设计的任务,而Ornith-1.5则颠覆了这一范式。
它通过三个核心组件 - - 任务生成、脚手架构建和解决方案执行 - - 构建了一个闭环的自我优化系统。每个训练周期都始于高层次指令,Ornith-1.5会根据当前能力水平生成新的挑战性任务,这些任务不仅超越了模型已掌握的能力范围,还能精准揭示其能力缺口。随后,模型为每个任务构建专属的脚手架,包括解决策略、工具使用和执行流程。最后,通过强化学习生成解决方案并评估效果,反馈信号则循环回任务生成和脚手架构建阶段,形成持续的能力提升循环。这种自进化机制的核心在于其奖励设计。Ornith-1.5为任务生成、脚手架构建和解决方案执行分别定义了多维度的奖励函数。
对于任务生成,奖励由三部分组成:有效性(任务是否合理且可验证)、前沿难度(任务难度是否与模型当前能力匹配)和新颖性(任务是否避免重复)。有效性确保任务的合理性,前沿难度确保任务具有挑战性但不至过难,新颖性则避免了重复训练的低效。这种乘法组合的奖励设计,确保了Ornith-1.5能够持续生成既有价值又富有挑战性的学习任务。在脚手架构建阶段,Ornith-1.5同样采用了多维度的奖励机制。脚手架的有效性(是否与任务目标一致)、忠实度(是否准确反映解决方案质量)和抗黑客性(是否能抵御评估中的作弊行为)共同决定了其奖励值。这种设计确保了脚手架不仅能够正确引导模型解决问题,还能抵御各种形式的评估操纵,从而保证训练的真实性和有效性。
对于解决方案执行,Ornith-1.5直接使用生成的脚手架进行评估,奖励与任务成功与否直接挂钩。这种端到端的奖励设计,使得模型能够在整个自进化循环中不断优化其任务生成、脚手架构建和解决方案执行的能力,从而实现持续的能力提升。Ornith-1.5的技术突破不仅体现在其自进化机制上,更体现在其实际性能的全面超越。在Terminal-Bench 2.1这一终端级编程基准测试中,Ornith-1.5-397B以86.1分的成绩与Claude Opus 4.8并列第一,超越了包括GLM-5.2和DeepSeek-V4-Flash-0731在内的多款开源模型。在DeepSWE基准测试中,Ornith-1.5-397B同样以56.0分的成绩与Claude Opus 4.8持平,再次证明了其在代码生成和软件工程任务中的卓越能力。更令人瞩目的是,Ornith-1.5在35B和9B参数版本上的表现。
Ornith-1.5-35B尽管仅激活3B参数,但在Terminal-Bench 2.1上以68.5分的成绩大幅超越了Qwen 3.6-35B,同时在SWE-Bench Verified和SWE-Bench Pro等基准测试中也展现出了优异的性能。而在移动端部署友好的Ornith-1.5-9B版本,更是凭借47.0分的Terminal-Bench 2.1成绩,超越了包括Gemma 4-31B和Qwen 3.6-35B在内的多款30B级别密集模型。其量化版本Ornith-1.5-9B-Mobile更是能够在iPhone和Android设备上顺畅运行,为移动端AI应用开辟了新的可能性。Ornith-1.5的成功不仅在于其技术创新,更在于其对开源AI生态的深远影响。作为一款完全开源的模型,Ornith-1.5为全球研究者提供了一个探索AI自进化机制的绝佳平台。其端到端的自进化框架,为未来AI模型的训练提供了全新的范式。
传统的AI训练依赖于大规模标注数据和昂贵的计算资源,而Ornith-1.5的自进化机制则通过模型自身的能力提升,逐步扩展训练范围,降低了对人工标注的依赖。此外,Ornith-1.5的成功也证明了混合专家(MoE)架构在大规模模型中的应用潜力。Ornith-1.5-397B采用了397B参数的MoE架构,通过稀疏激活的方式,在保持高性能的同时显著降低了计算成本。这种架构设计,为未来大规模AI模型的部署提供了新的思路,尤其是在资源受限的环境中。Ornith-1.5的发布,也标志着AI自进化时代的到来。传统的AI模型如同一张白纸,需要人类不断"喂养"数据和指导。
而Ornith-1.5则如同一位自学成才的画家,通过不断的实践和反馈,逐步提升自己的绘画技巧。这种自进化能力,不仅能够加速AI能力的提升,还能够减少对人工标注的依赖,从而降低AI训练的成本和门槛。对于开发者和企业而言,Ornith-1.5的发布提供了一个强大的工具。无论是需要高性能代码生成能力的开发团队,还是需要移动端AI解决方案的企业,Ornith-1.5都提供了多种规模的选择。其优异的性能和灵活的部署方式,使其成为众多应用场景的理想选择。然而,Ornith-1.5的成功也引发了关于AI自进化伦理和安全性的思考。
在自进化过程中,AI模型可能会生成意想不到的行为或策略,这需要研究者和开发者共同努力,确保AI系统的安全性和可控性。Ornith团队在设计过程中已经考虑了多种安全机制,包括抗黑客评估和多维度奖励设计,但未来仍需在AI安全领域投入更多的研究和资源。展望未来,Ornith-1.5的发布仅仅是AI自进化征程的第一步。随着技术的不断演进,我们有理由相信,未来的AI模型将具备更强的自学习能力和适应性,能够在更广泛的领域中发挥重要作用。从自构建到自进化,Ornith-1.5为我们描绘了AI未来的美好蓝图,而这仅仅是一个开始。对于广大AI爱好者和研究者而言,Ornith-1.5不仅是一项技术突破,更是一个启示。
它告诉我们,AI的未来不仅在于更大的模型和更多的数据,更在于更智能的学习机制和更自主的进化能力。在Ornith-1.5的引领下,我们有理由期待,AI将在不久的将来实现更大的飞跃,为人类社会创造更多的价值。最后,Ornith-1.5的成功也离不开开源社区的支持和贡献。作为一款开源模型,Ornith-1.5的发布为全球研究者提供了一个共同探索AI自进化机制的平台。我们期待更多的研究者能够加入到这一征程中,共同推动AI技术的发展,为人类社会创造更加美好的未来。 。
