Ornith julkaisi Ornith-1.5:n, mallisarjan, joka rakentaa oman harjoitusaineistonsa itse. Malli ehdottaa uusia tehtäviä, kirjoittaa niille arviointiympäristön ja tuottaa ratkaisuyritykset. Palkkio kiertää takaisin kaikkiin kolmeen vaiheeseen. Syntyy koulutuskierre, joka ei nojaa käsin kuratoituun tehtäväpankkiin.
Julkaisu kattaa kolme kokoluokkaa. Suurin on 397 miljardin parametrin MoE-malli, ja sen rinnalle tulevat 35 miljardin MoE-versio sekä 9 miljardin tiheä malli. Ornithin julkaisutekstin mukaan suurin versio yltää Claude Opus 4.8:n tasolle kahdessa keskeisessä koodausvertailussa. Painot löytyvät Hugging Facesta.
Itseohjautuva harjoittelukierre
Ornith-1.0 esitteli itserakentuvan tukirakenteen, jossa malli suunnitteli omat työkalunsa ja ohjeensa. Ornith-1.5 laajentaa idean koko ketjuun. Nyt myös tehtävien keksiminen ja niiden arviointi kuuluvat optimoitavaan kokonaisuuteen.
Jokainen koulutuskierros etenee kolmessa vaiheessa. Malli saa käyttöönsä ympäristön, karkean kuvauksen tehtävätyypistä ja historian aiemmin ratkaisemistaan ongelmista. Sen jälkeen se ehdottaa aiempaa vaikeampia tehtäviä, rakentaa niille tukirakenteen ja yrittää ratkaista ne.
Tehtäväpalkkio muodostuu kolmesta tekijästä, jotka kerrotaan keskenään: kelvollisuus, vaikeustaso ja uutuus. Vaikeustavoite on asetettu 20 prosentin onnistumisasteeseen. Kun malli alkaa ratkoa tehtävää liian varmasti, palkkio laskee ja generaattori joutuu keksimään vaikeampaa. Uutuustermi estää saman tehtävän pientä variointia.
Kaikki kolme vaihetta optimoidaan GRPO-algoritmilla, joten ne kehittyvät samassa silmukassa. Vahvempi malli tuottaa vaikeampia tehtäviä, ja vaikeammat tehtävät kouluttavat vahvemman mallin. Ihmisen rooli kaventuu ympäristön ja tehtävätyypin määrittelyyn.
Kolme kokoluokkaa samalla reseptillä
Ornith-1.5 ei ole tyhjästä koulutettu perusmalli. Se rakentuu Qwen3.5:n ja Gemma 4:n päälle, joita on jatkokoulutettu, välikoulutettu ja jälkikoulutettu. Sama resepti on ajettu läpi kaikissa kolmessa kokoluokassa.
35 miljardin MoE-versio aktivoi vain 3 miljardia parametria tokenia kohden. Se tekee mallista poikkeuksellisen edullisen ajaa suhteessa sen tuloksiin. Pienin 9 miljardin malli on tiheä, ja siitä on kvantisoitu erillinen Mobile-versio.
Mobile-versio on tarkoitettu puhelimeen. Ornith kertoo sen pyörivän sekä iPhonessa että Android-laitteissa. Käytännössä se tarkoittaa agenttia, joka toimii ilman verkkoyhteyttä ja ilman että data lähtee laitteelta.
Kokoluokkien kirjo on julkaisussa tarkoituksellinen. Sama koulutusmenetelmä on viety läpi kolmessa hyvin erilaisessa laskentabudjetissa, mikä kertoo siitä, skaalautuuko menetelmä myös alaspäin. Ornithin lukujen perusteella skaalautuu.
Vertailutulokset koodaus- ja agenttitehtävissä
Lippulaivamalli Ornith-1.5-397B saa Terminal-Bench 2.1 -testissä 86,1 pistettä ja DeepSWE-testissä 56,0. Claude Opus 4.8 jää ensimmäisessä 85,0:aan mutta vie jälkimmäisen tuloksella 59,0. Avoimista kilpailijoista GLM-5.2 saa 82,7 ja 46,2, DeepSeek-V4-Flash-0731 puolestaan 82,7 ja 54,4.
Kärkisijaa Ornith ei silti ota. Kimi K3 yltää Terminal-Benchissä 88,3 pisteeseen, mutta sen 2,8 biljoonan parametrin koko on aivan eri sarjaa. Suhteessa parametrimäärään Ornithin tulos on vertailun vahvin.
Keskikokoinen 35B kaataa oman kokoluokkansa selvästi. Terminal-Bench 2.1 -testissä se saa 68,5 pistettä, kun Gemma 4-31B jää 43,4:ään ja Metan Muse Glimmer-30B 51,7:ään. SWE-Bench Verified -testissä ero on 79,0 vastaan 52,0 ja 76,0. Pienin 9B-malli yltää 47,0:aan ja 70,6:een.
Ornith-1.0:aan verrattuna harppaus on selvä. Edellinen 397B-versio sai Terminal-Bench 2.1 -testissä 77,5 pistettä, joten uusi koulutuskierros toi lähes yhdeksän pisteen parannuksen samalla parametrimäärällä.
Mitä avoimet painot merkitsevät kehittäjille
Avoimet painot siirtävät valinnan käyttäjälle. Malli voidaan ajaa omalla raudalla tai eurooppalaisessa konesalissa, jolloin koodi ja asiakasdata eivät kulje kolmannen osapuolen rajapinnan läpi. Sääntelyn kanssa painiville organisaatioille tämä on usein ratkaiseva ero.
Itse generoitu opetusohjelma tuo mukanaan myös riskin. Kun malli laatii omat kokeensa, se voi oppia läpäisemään kokeen sen sijaan että ratkaisisi tehtävän. Ornith kertoo palkinneensa tukirakenteita erikseen niiden huijauskestävyydestä, mutta ulkopuolista arviota menetelmän kestävyydestä ei vielä ole.
Vertailuluvut kannattaa siksi lukea lähtökohtana, ei loppupäätelmänä. Terminal-Bench ja SWE-Bench mittaavat kapeaa siivua siitä, mitä koodausagentilta oikeassa työssä vaaditaan. Omalla koodipohjalla ajettu kokeilu kertoo enemmän kuin pistetaulukko.
Käyttöönoton kynnys on matala. Painot ovat Hugging Facessa, ja pienimmät versiot pyörivät kuluttajanäytönohjaimella. Kokeilu ei siis vaadi sitoutumista rajapintaan, jonka hinnoittelu ja saatavuus voivat muuttua ilman ennakkovaroitusta.
Yhteenveto
Ornith-1.5 on kiinnostava kahdesta syystä. Se kaventaa avoimien ja suljettujen mallien eroa agenttikoodauksessa, ja se tekee sen menetelmällä, joka vähentää ihmisen työtä opetusaineiston rakentamisessa.
Jos itseohjautuva koulutuskierre skaalautuu, kilpailuetu siirtyy datan keräämisestä koulutussilmukan suunnitteluun. Seuraavat avoimet julkaisut näyttävät, oliko Ornithin tulos poikkeus vai suunnannäyttäjä.