Ornith-1.5实测：9B模型本机部署，让AI自己出题刷题

ivye
未分类
1小时前
5热度
0评论

说实话，最近开源模型发新版，标题里最爱挂俩字：对标。
Ornith-1.5 也没跑掉。

按官方那个博客自己吹的，旗舰 397B 在 Terminal-Bench 2.1 拿了 86.1，而 Claude Opus 4.8 是 85.0。
数字是真好看。
但我更关心的其实是另一回事：这东西，我手里这台破电脑到底带不带得动？

榜单上的“对标Claude”这玩意儿是会过期的。真正变了的是啥？模型开始自己出题、自己搭架子、自己刷题了。而且，9B 版本一条命令就能拉到你本机。

它是什么：一只爱自己出题的鸟

Ornith 这一系出自 DeepReinforce / Ornith 团队，定位很明确，主打 coding、推理，还有 agent 任务。1.5 版本是 2026 年 8 月中下旬放出来的，官方标题起得特别直白：From Self-Scaffolding to Self-Improvement（从自我搭建到自我改进）。

我觉得这个名字挺形象。
它不只会练题，还把“怎么搭任务脚手架”当成了一门可学习的本事。
权重开源，公开页面写的是 MIT 协议，商用和研究的限制相对松。Ollama 官方库已经挂上了，一行命令就能开聊：

ollama run ornith-1.5:9b

装完别光顾着闲聊。
先丢个你平时真会做的小事给它试试：比如让它看一张界面截图，指出哪里别扭；或者改一段你自动化脚本里的报错提示。记得把模型 API 指到本机的 Ollama（常见地址是 http://localhost:11434）。

官方说明博客在这儿：https://ornith.ai/ornith_1_5.html

自己出题、搭脚手架、再刷rollout

很多人一听“自改进”就觉得是科幻片。
其实官方描述得很工程化，每个训练周期大概就三步走：

出题：根据任务类型和历史表现，提出比模型现在会做的更难、但依然可验证的新题。这一步很关键，难度得卡得准。
搭脚手架：给这道新题生成或修改指令、工具、拆解方式、甚至评判方式。说白了，就是设计“怎么考”。
刷题：在这套脚手架下真正去解题；奖励信号再回传给“出题、搭脚手架、解题”这三个环节。

奖励设计这块儿，官方抠得很门。题要有效可验证，难度得卡在能力边界附近。还得有点新颖性，避免翻来覆去出同质化的烂题。脚手架侧还要防 reward hacking，要是评测器被钻了空子，模型就会“看起来变强，实际只会骗分”。

为什么这么说？
我倒是认为，这比单纯“参数更大”更值得普通人记住。因为 agent 产品最痛的点，从来不是单次答题准不准，而是任务怎么定义、工具怎么编排、失败怎么被诚实打分。
Ornith 把这三件事塞进同一个强化学习环里练，这点挺实在。

Ollama别一上来装397B

Ollama 当前提供三档，上下文窗口都是 256K，页面也标注支持文本+图像输入（vision）。

标签	体量（Ollama）	结构印象	我怎么选
ornith-1.5:9b	约6.6GB	9B Dense	先装这个尝鲜、接轻量agent
ornith-1.5:35b	约23GB	35B MoE，约3B激活	本机甜点，有24GB级显存再上
ornith-1.5:397b	约242GB	397B MoE 旗舰	多卡/云机器的事，别当笔记本玩具

默认请先跑官方 ornith-1.5 标签，别一上来就混用第三方 fork。
模型默认是 reasoning 形态：回答前往往会先走一段思考块，再给最终答案。接进 Cursor、OpenHands 时，记得确认客户端能不能正确解析思考内容，不然容易出幺蛾子。

官方数字怎么读

旗舰 397B 那张表里，coding 侧确实打得很满。
但我每次看这类表，都会先做三道过滤：

1. Harness（评测脚手架）会改分数。 同是 Terminal-Bench 2.1，不同跑分套件数字就不一样。换你自己的 Cursor 工作流，排名可能再洗一次牌。
2. 厂商自报，五次平均。 官方脚注写了多跑平均、超时、禁网防作弊等细节，这很好；但仍不等于第三方复现已经盖章。
3. 强项偏 agentic coding。 通用闲聊、中文长文、配图文案，不一定是它最想赢的赛道。别拿错赛场，不然容易失望。