2026年8月19日，Ornith团队发布开源模型族Ornith 1.5。与多数直接给定静态数据集训练的模型不同，Ornith 1.5把"自改进循环"带进了训练流程：模型不只是消费数据，还会自己提出新任务、编写任务相关的解算框架（scaffold），并为强化学习生成解算 rollout，从而形成持续学习回路。本文就这一新架构方向做技术解读。
模型族与参数规模
Ornith 1.5 包含三个变体：9B稠密模型、35B-A3B（总参数约35B、每token激活约3B的MoE）以及397B的MoE旗舰。整族采用MIT许可证开源，权重与模型卡片通过Hugging Face公开，部分变体提供最长262,144（约256K）token的上下文窗口。开源与本地可部署是这一系列的重要定位，面向单GPU本地推理与移动端量化部署等场景。
自改进循环：模型成为自己的老师
与Ornith 1.0的"自脚手架（self-scaffolding）"策略一脉相承，1.5系列把该能力升级为完整的闭环自改进：训练中模型自行提出任务、生成任务专用脚手架、再产出强化学习的解算rollout，减少对人工整理数据集的依赖。这一思路被视为探索"模型自己出题、自己解题"的可扩展训练范式，但官方也强调其自报评测结果尚有待独立复现。
MoE推理与多格式部署
在MoE架构基础上，Ornith 1.5提供BF16、FP8、NVFP4、GGUF、MLX等多种格式，覆盖云端与本地、Apple Silicon等不同推理后端，便于开发者在推理引擎与部署形态之间灵活切换。对关注本地部署与成本控制的团队，多格式支持降低了从云端API迁移到本地推理的工程门槛。
官方自报评测与选型观察
官方模型卡片披露，35B-A3B在SWE-bench Verified与Terminal-Bench 2.1等编程类评测中取得较高成绩，9B模型在终端环境下亦有可用表现；不过目前这些仍以厂商自报为主，截至8月下旬尚未见到独立的第三方复现报告，选型时宜以真实业务评测为准。