模型的上限除了拼算力还要拼题库。只是当出题、搭台、解题都交给模型人类留在这个闭环里的位置是什么训练一个能干活的模型最贵的不是显卡是训练题。尤其是到了编码和智能体这一档光有题目和答案根本不够用还要给它准备一套跑得起来的环境一份判得了对错的测试还要防着模型翻旧提交抄答案。难度也不能瞎给。太简单模型闭着眼做完什么也没学到太难一道都不会攒不下正确的经验等于白烧一轮算力。这些全凑齐了还得凑够量。过去这活一直是人在干。慢、贵不说主要是供不上你刚整理完一批模型转头就做完了。那让模型自己给自己出题呢真有人这么干了。今年8月Ornith一口气放出397B MoE、35B MoE和9B Dense三档权重。训练流程里多了一个前所未有的环节模型自己生成训练任务自己搭解题脚手架自己跑解题轨迹三段一起丢进强化学习。出题这件事AI从人手里接过去了。数字立刻给出了回报。Terminal-Bench 2.1上两个月前的1.0是77.5这次的397B跑到86.1。两个月涨了8.6个百分点。同一张表里Ornith给出的Claude Opus 4.8成绩是85.0。一个能随便下载的MIT权重在这张表上排到了闭源旗舰前面。1.0学怎么解1.5学练什么今年6月的Ornith-1.0已经干过一件挺激进的事把agent脚手架也就是AI解题时用的工作台变成了可学习的对象。通常的做法是人类工程师给某一类任务设计好一套脚手架工具怎么给、任务怎么拆、出错怎么重试全写死然后让模型在这个固定框架里反复刷。1.0把这套框架拆了交给模型自己搭。每个强化学习步骤分两段先根据任务和上一轮用过的脚手架改出一版新的再在这版脚手架上跑解题轨迹。奖励从轨迹回传两段都拿得到。Ornith-1.0的两段式自我提升框架。先改脚手架再跑解题轨迹奖励回传两段。模型学会了搭工作台。但活儿还是人派的题目从哪来1.0没碰。1.5把这一环也接了过去。给定一个代码库一段关于任务类型的高层说明再加上模型自己过去的解题记录系统先生成一批新题专挑比它已经做出来的更难一档的戳自己的能力缺口。题定下来模型再为这道题生成或改进专属脚手架指令、工具、拆解策略、编排逻辑。最后在任务和脚手架的双重条件下跑出解题轨迹。奖励从轨迹反向传回全部三段一起用GRPO优化。关键在于出卷这一半也要打分。题出得不好出题的那一半照样扣分。出题、搭台、解题在这一刻闭环了。策略越强出的题越难越有信息量脚手架进化越能把模型的本事榨出来轨迹质量上去又反过来喂出更狠的学习信号。过去两年开放模型追赶闭源旗舰基本就两条路堆参数抄配方。两条都是照着别人的卷子抄答案。Ornith不想抄了。它要的是AI自己出卷。自己出的题怎么保证不是废题听上去很美但很快就能想到破绽模型要是给自己出送分题呢奖励往哪儿高模型就往哪儿漂。一个只会出「11等于几」的出题人能把分数刷爆训练信号却一点都没有。Ornith的办法是把任务奖励拆成三个信号有效性、前沿难度、新颖性三者相乘。相乘是关键。任何一项接近零整道题的奖励归零。想拿分三项必须同时成立。有效性管的是这道题成不成立脚手架跑不跑得起来高置信度的正确解能不能通过明显错误的解会不会被判失败判分逻辑跟任务描述对不对得上。团队干脆把它当硬门槛不合格直接判零专拦那些看着很难、其实根本判不出对错的废题。前沿难度是整套设计里一个亮点。系统对每道题采样若干条轨迹算出经验成功率越接近0.2这个目标值奖励越高。也就是说一道好题模型十次里应该做成两次。做成八次说明它已经会了没有训练价值一次都做不成连一条能学的成功轨迹都攒不出来强化学习同样空转。卷子必须踩在模型刚好差一口气的位置上。更妙的是这个靶子会随着模型能力动某类题做熟了成功率上去奖励自动往下掉出题端只能继续加码。整条难度曲线自动爬升不用人再去调。新颖性排第三权重也最低只负责一件事别老出同一道题的变体。官方特意注明它的优先级低于前两项职责是去冗余并非奖励怪题。所以这套「自我提升」真正提升的是课程的自动演进。整套流程发生在训练阶段。你从Hugging Face下下来的那份权重是死的它不会在你的笔记本或者手机上一边干活一边改自己。两把不同的尺子先说清86.1是怎么来的。这个Terminal-Bench 2.1成绩是Ornith团队在自己的环境里、用自己的配置跑出来的官网写明取五次独立运行的平均值。而Terminal-Bench 2.1自己有一张官方验证榜单每一条结果都由榜单团队成员亲自复跑、核验之后才挂上去。截至2026年8月19日那张榜单一共17项里面没有Ornith-1.5。Terminal-Bench 2.1官方榜单前八。Opus 4.8以78.9%排第517项里没有Ornith-1.5。更要紧的是对比对象。Ornith表里的Opus 4.8成绩85.0是他们自己用Terminus-2框架给Opus 4.8跑出来的数。而官方榜单上Anthropic提交的Claude Code加Opus 4.8经核验是78.9%排第5榜首是Claude Code加Fable 5的83.8%。同一个Opus 4.8两张表相差6.1分。区别是谁在测、用什么测。Terminal-Bench这类智能体基准测的是模型、脚手架、超时、上下文和资源配置的组合成绩。换一套配置分数就换一层含义。所以榜单页面上挂着一条提交规则不得修改超时或资源配置。就是为了不让参赛方靠调配置把分数刷上去。Ornith博客披露的自测配置是4小时超时、32核CPU、48GB内存。另外还动了配置包括官方点名锁死的超时和资源。这些改动未必是冲着刷分去的但可比的前提已经没了项目自测和官方验证榜不能放进同一个排名里读。许可证这一层同样要说清楚。MIT标的是权重。公开的GitHub仓库目前主要是README、LICENSE和展示素材没看到1.5完整的训练实现、训练任务集也没有可复现的评测脚本。开放权重不等于全套开源。最有意思的其实是35B和9B旗舰负责上热搜中小尺寸才决定有多少人真的用得上。这次发布里最容易被忽略的是中间那两档。35B-A3B是个MoE每个token只激活约3B参数。就这个激活量Terminal-Bench 2.1跑到67.8对比Gemma 4-31B的42.1和Muse Glimmer-30B的51.7高出一个身位。SWE-bench Verified上79.0对52.0。3B激活打赢31B稠密模型是这次发布里最划算的一款。比它更小的那一档9B Dense则是摆明了要冲端侧的那一档。自测Terminal-Bench 46.2SWE-bench Verified 70.6GPQA Diamond 86.4。Hugging Face上5.63GB的压缩版已经放出来了苹果电脑用的MLX格式也有。但9B也不是全面压过Gemma 4-31B。编码和推理项上它确实领先MCP-Atlas却是54.2对55.0Toolathlon-Verified是41.2对52.8。这两项考的是多轮调工具、接住返回结果、按状态改计划链条一长9B的容量就撑不住了。编码和推理能靠训练方法把体量差补回来工具调用补不回来。下一场竞赛可能在题库6月的1.0Terminal-Bench自测77.5。8月的1.586.1。两个月提升了约11.1%。比这个数字更重要的是它背后的能力是怎么长出来的。1.0学的是「怎么解」1.5开始学「该练什么」。数据生产这道工序被整个搬进了强化学习的闭环。高质量的智能体训练任务一直是稀缺品。人工整理的速度早就跟不上模型吃题的速度。这套机制冲着解决的刚好是这个很具体的工程问题。开放模型追赶闭源旗舰的方式正在切换。堆参数和抄配方之外多了一条路自己造题。谁能持续造出好题谁就握着持续变强的燃料。Ornith-1.5的三段闭环。生成任务、生成脚手架、跑出轨迹奖励回传三段统一用GRPO更新。模型的上限除了拼算力还要拼题库。只是当出题、搭台、解题都交给模型人类留在这个闭环里的位置是什么 AI自己出题自己练！两个月狂涨11%，编码自测反超Opus 4.8
模型的上限除了拼算力还要拼题库。只是当出题、搭台、解题都交给模型人类留在这个闭环里的位置是什么训练一个能干活的模型最贵的不是显卡是训练题。尤其是到了编码和智能体这一档光有题目和答案根本不够用还要给它准备一套跑得起来的环境一份判得了对错的测试还要防着模型翻旧提交抄答案。难度也不能瞎给。太简单模型闭着眼做完什么也没学到太难一道都不会攒不下正确的经验等于白烧一轮算力。这些全凑齐了还得凑够量。过去这活一直是人在干。慢、贵不说主要是供不上你刚整理完一批模型转头就做完了。那让模型自己给自己出题呢真有人这么干了。今年8月Ornith一口气放出397B MoE、35B MoE和9B Dense三档权重。训练流程里多了一个前所未有的环节模型自己生成训练任务自己搭解题脚手架自己跑解题轨迹三段一起丢进强化学习。出题这件事AI从人手里接过去了。数字立刻给出了回报。Terminal-Bench 2.1上两个月前的1.0是77.5这次的397B跑到86.1。两个月涨了8.6个百分点。同一张表里Ornith给出的Claude Opus 4.8成绩是85.0。一个能随便下载的MIT权重在这张表上排到了闭源旗舰前面。1.0学怎么解1.5学练什么今年6月的Ornith-1.0已经干过一件挺激进的事把agent脚手架也就是AI解题时用的工作台变成了可学习的对象。通常的做法是人类工程师给某一类任务设计好一套脚手架工具怎么给、任务怎么拆、出错怎么重试全写死然后让模型在这个固定框架里反复刷。1.0把这套框架拆了交给模型自己搭。每个强化学习步骤分两段先根据任务和上一轮用过的脚手架改出一版新的再在这版脚手架上跑解题轨迹。奖励从轨迹回传两段都拿得到。Ornith-1.0的两段式自我提升框架。先改脚手架再跑解题轨迹奖励回传两段。模型学会了搭工作台。但活儿还是人派的题目从哪来1.0没碰。1.5把这一环也接了过去。给定一个代码库一段关于任务类型的高层说明再加上模型自己过去的解题记录系统先生成一批新题专挑比它已经做出来的更难一档的戳自己的能力缺口。题定下来模型再为这道题生成或改进专属脚手架指令、工具、拆解策略、编排逻辑。最后在任务和脚手架的双重条件下跑出解题轨迹。奖励从轨迹反向传回全部三段一起用GRPO优化。关键在于出卷这一半也要打分。题出得不好出题的那一半照样扣分。出题、搭台、解题在这一刻闭环了。策略越强出的题越难越有信息量脚手架进化越能把模型的本事榨出来轨迹质量上去又反过来喂出更狠的学习信号。过去两年开放模型追赶闭源旗舰基本就两条路堆参数抄配方。两条都是照着别人的卷子抄答案。Ornith不想抄了。它要的是AI自己出卷。自己出的题怎么保证不是废题听上去很美但很快就能想到破绽模型要是给自己出送分题呢奖励往哪儿高模型就往哪儿漂。一个只会出「11等于几」的出题人能把分数刷爆训练信号却一点都没有。Ornith的办法是把任务奖励拆成三个信号有效性、前沿难度、新颖性三者相乘。相乘是关键。任何一项接近零整道题的奖励归零。想拿分三项必须同时成立。有效性管的是这道题成不成立脚手架跑不跑得起来高置信度的正确解能不能通过明显错误的解会不会被判失败判分逻辑跟任务描述对不对得上。团队干脆把它当硬门槛不合格直接判零专拦那些看着很难、其实根本判不出对错的废题。前沿难度是整套设计里一个亮点。系统对每道题采样若干条轨迹算出经验成功率越接近0.2这个目标值奖励越高。也就是说一道好题模型十次里应该做成两次。做成八次说明它已经会了没有训练价值一次都做不成连一条能学的成功轨迹都攒不出来强化学习同样空转。卷子必须踩在模型刚好差一口气的位置上。更妙的是这个靶子会随着模型能力动某类题做熟了成功率上去奖励自动往下掉出题端只能继续加码。整条难度曲线自动爬升不用人再去调。新颖性排第三权重也最低只负责一件事别老出同一道题的变体。官方特意注明它的优先级低于前两项职责是去冗余并非奖励怪题。所以这套「自我提升」真正提升的是课程的自动演进。整套流程发生在训练阶段。你从Hugging Face下下来的那份权重是死的它不会在你的笔记本或者手机上一边干活一边改自己。两把不同的尺子先说清86.1是怎么来的。这个Terminal-Bench 2.1成绩是Ornith团队在自己的环境里、用自己的配置跑出来的官网写明取五次独立运行的平均值。而Terminal-Bench 2.1自己有一张官方验证榜单每一条结果都由榜单团队成员亲自复跑、核验之后才挂上去。截至2026年8月19日那张榜单一共17项里面没有Ornith-1.5。Terminal-Bench 2.1官方榜单前八。Opus 4.8以78.9%排第517项里没有Ornith-1.5。更要紧的是对比对象。Ornith表里的Opus 4.8成绩85.0是他们自己用Terminus-2框架给Opus 4.8跑出来的数。而官方榜单上Anthropic提交的Claude Code加Opus 4.8经核验是78.9%排第5榜首是Claude Code加Fable 5的83.8%。同一个Opus 4.8两张表相差6.1分。区别是谁在测、用什么测。Terminal-Bench这类智能体基准测的是模型、脚手架、超时、上下文和资源配置的组合成绩。换一套配置分数就换一层含义。所以榜单页面上挂着一条提交规则不得修改超时或资源配置。就是为了不让参赛方靠调配置把分数刷上去。Ornith博客披露的自测配置是4小时超时、32核CPU、48GB内存。另外还动了配置包括官方点名锁死的超时和资源。这些改动未必是冲着刷分去的但可比的前提已经没了项目自测和官方验证榜不能放进同一个排名里读。许可证这一层同样要说清楚。MIT标的是权重。公开的GitHub仓库目前主要是README、LICENSE和展示素材没看到1.5完整的训练实现、训练任务集也没有可复现的评测脚本。开放权重不等于全套开源。最有意思的其实是35B和9B旗舰负责上热搜中小尺寸才决定有多少人真的用得上。这次发布里最容易被忽略的是中间那两档。35B-A3B是个MoE每个token只激活约3B参数。就这个激活量Terminal-Bench 2.1跑到67.8对比Gemma 4-31B的42.1和Muse Glimmer-30B的51.7高出一个身位。SWE-bench Verified上79.0对52.0。3B激活打赢31B稠密模型是这次发布里最划算的一款。比它更小的那一档9B Dense则是摆明了要冲端侧的那一档。自测Terminal-Bench 46.2SWE-bench Verified 70.6GPQA Diamond 86.4。Hugging Face上5.63GB的压缩版已经放出来了苹果电脑用的MLX格式也有。但9B也不是全面压过Gemma 4-31B。编码和推理项上它确实领先MCP-Atlas却是54.2对55.0Toolathlon-Verified是41.2对52.8。这两项考的是多轮调工具、接住返回结果、按状态改计划链条一长9B的容量就撑不住了。编码和推理能靠训练方法把体量差补回来工具调用补不回来。下一场竞赛可能在题库6月的1.0Terminal-Bench自测77.5。8月的1.586.1。两个月提升了约11.1%。比这个数字更重要的是它背后的能力是怎么长出来的。1.0学的是「怎么解」1.5开始学「该练什么」。数据生产这道工序被整个搬进了强化学习的闭环。高质量的智能体训练任务一直是稀缺品。人工整理的速度早就跟不上模型吃题的速度。这套机制冲着解决的刚好是这个很具体的工程问题。开放模型追赶闭源旗舰的方式正在切换。堆参数和抄配方之外多了一条路自己造题。谁能持续造出好题谁就握着持续变强的燃料。Ornith-1.5的三段闭环。生成任务、生成脚手架、跑出轨迹奖励回传三段统一用GRPO更新。模型的上限除了拼算力还要拼题库。只是当出题、搭台、解题都交给模型人类留在这个闭环里的位置是什么