8 月 18 日，Ornith AI 发布了开源模型家族 Ornith-1.5，一次放出三档规模：397B MoE、35B MoE（每 token 激活约 3B 参数）和 9B 稠密模型，后者还带一个量化后的 Mobile 版本，可以直接部署到 iPhone 和 Android 设备。这一代的主题不是堆参数，而是把 6 月 Ornith-1.0 提出的 self-scaffolding（自脚手架）框架，扩展成一个端到端的自我改进循环。
自我改进循环：模型自己出题、自己搭考场
官方博客对这套循环的描述相当激进：给定一个环境或代码库，模型会提出难度递增的新任务，专门挑自己还没解出过的类型下手；接着为每个任务生成或改进任务专属 scaffold——包括指令、工具、任务分解策略与编排；最后基于任务和 scaffold 产出解题 rollout。Reward 从 rollout 反向传播到全部三个阶段，用 GRPO 联合优化。也就是说，系统不只学着解更好的题，还同时学着出更有训练价值的题、搭更有效的考场。
任务侧的 reward 由三个信号相乘得到：有效性（任务可验证，验证失败直接归零）、前沿难度（用模型自身 rollout 的成功率估计，目标成功率设在 0.2——任务一旦被模型稳定解开，reward 自然衰减，逼着出题器继续升级难度）、新颖性（与历史任务缓冲区查重，防止重复刷同类题）。Harness 侧同样是三项相乘：任务对齐、reward 保真、抗 reward-hacking。这套设计把「课程」从人工策划变成了模型自产自销。
成绩单：397B 在 agentic coding 上逼近闭源前沿
官方公布的评测里，397B 旗舰在 agentic coding 一线表现最强：Terminal-Bench 2.1（Terminus-2）拿到 86.1，高于 Claude Opus 4.8 的 85.0；DeepSWE 56.0，接近 Opus 4.8 的 59.0；SWE-bench Verified 86 与 Opus 4.8 的 85.8、Kimi K3 的 86.2 处在同一档。对比同规模开源对手，它领先 GLM-5.2（Terminal-Bench 82.7、DeepSWE 46.2）和 DeepSeek-V4-Flash-0731（82.7、54.4）。
35B 档更值得注意：Terminal-Bench 2.1（Terminus-2）67.8，领先 Qwen3.6-35B（52.5）、Gemma-4-31B（42.1）和 Meta 的 Muse Glimmer-30B（51.7）15 分以上；SWE-bench Verified 79.0 对 73.4、52.0、76.0。DeepSWE 上 35B 拿到 22 分，而前代 Ornith-1.0-35B 和 Qwen3.6-35B 都是 0 分。9B 档 SWE-bench Verified 70.6、Terminal-Bench 47.0，明显超过 31B 的 Gemma 4，逼近 35B 的 Qwen3.6——考虑到它只有 9B 且量化后能塞进手机，这个成绩值得端侧团队认真看看。
397B 自己的代际进步也相当陡峭：DeepSWE 从 1.0 的 8 分涨到 56 分，Frontier-Bench v0.1 从 2.7 涨到 13.5。
边界与判断
需要说清楚的是，「追平闭源」只成立于 agentic coding 这一条线。Frontier-Bench v0.1 上，397B 的 13.5 距离 Opus 4.8 的 21.1 和 Kimi K3 的 23 还有明显差距；GPQA Diamond 92.8 对 Opus 4.8 的 93.6 也仍是落后。开源阵营在最难的任务上依然没有越过闭源前沿——而且这些分数目前全部来自官方自报，社区复现还没开始。
但对行业来说，Ornith-1.5 的价值可能不在分数，而在方法论的可复现性：它把「合成任务 + 自评 harness + GRPO」的完整配方——包括 reward 的乘法设计、有效性硬门控，以及评测防作弊细节（SWE-bench 评测时抹掉 git 历史、禁用网络防止检索现成答案）——全部写进了发布博客。当通用数据的边际收益越来越薄，下一轮能力增长到底来自更大的集群，还是来自模型自造训练信号，Ornith 用一个 397B 的开源实现给后一条路线投了票。至于这条自我改进循环会不会在更高难度上撞上「自己骗自己」的 reward 漏洞，他们的三信号乘法是第一道防线，真正的答案要等社区拿权重去复现（来源：ornith.ai/ornith_1_5.html）。