DeepReinforce 发布 Ornith-1.5：具备自我进化能力的开放模型家族

DeepReinforce 正式发布了 Ornith-1.5，这是一个包含 397B、35B 和 9B 三种规模的开放权重模型家族。与传统的静态预训练模型不同，Ornith-1.5 的核心突破在于其闭环自我改进循环：模型能够自主生成训练任务、构建特定于任务的脚手架（Scaffolding），并生成用于强化学习的解决方案轨迹。这种“自脚手架”机制使得模型能够在没有大量人工标注数据的情况下，持续向能力前沿演进。

• 官方介绍：https://ornith.ai/ornith_1_5.html
• 模型：https://huggingface.co/collections/ornith-ai/ornith-15

DFlash草稿模型现已支持 Ornith-1.5 的 9B、35B-A3B、397B 全部版本。DFlash 与 Ornith 1.5 构成一套草稿推测（speculative decoding）推理组合：DFlash充当草稿模型，一次性预生成一批token；再由Ornith 1.5主模型单轮一次性校验这批草稿token，摒弃传统逐一生成token的模式。

• 模型：https://huggingface.co/collections/ornith-ai/ornith-15-dflash

性能评测结果显示，这套DFlash+Ornith 1.5组合最高可达到2.54倍推理加速，并且文本生成质量不会出现衰减。

核心创新：三阶段自我进化循环

Ornith-1.5 的训练过程不再依赖固定的人类策划任务集，而是通过以下三个阶段的动态交互实现自我优化：

1. 任务提出 (Task Proposal)：
   • 基于当前环境和已解决的问题历史，模型自主提出逐步变难的新任务。
   • 系统以 0.2 的经验成功率为目标难度前沿，确保任务既具有挑战性又不至于完全不可解。一旦模型能可靠解决某类任务，其生成价值即降低，从而驱动模型不断探索新领域。
2. 脚手架生成 (Scaffolding Generation)：
   • 为每个提出的任务生成特定的指令、工具调用策略、分解逻辑及编排流程。
   • 脚手架被视为与策略共同演化的可学习对象，而非硬编码的规则。
3. 轨迹生成与奖励反向传播 (Trajectory & Reward Backpropagation)：
   • 生成解决问题的完整执行轨迹。
   • 奖励信号同时反向传播至上述三个阶段，使模型同时学会编写更好的解决方案、设计更有效的训练任务以及构建更可靠的评估 Harness。
   • 硬门控机制：只有格式正确且可验证的任务才能获得奖励，无效任务收益归零，有效防止了“奖励破解”（Reward Hacking）。所有阶段均使用 GRPO (Group Relative Policy Optimization) 进行优化。

模型规格与性能表现

Ornith-1.5 提供了从移动端到旗舰级的全尺寸覆盖：

• 旗舰级竞争力：397B 模型在 Terminal-Bench 和 DeepSWE 上的表现与 Claude Opus 4.8 (85.0 / 59.0) 相当，并在同规模下领先于 GLM-5.2 和 DeepSeek-V4-Flash。
• 高效能比：35B MoE 模型在仅激活 3B 参数的情况下，实现了超越许多更大稠密模型的性能。
• 移动端友好：9B 稠密模型在 SWE-Bench Verified 上得分 70.6，优于 Gemma 4-31B 和 Qwen 3.6-35B，并提供了针对移动设备的量化版本。

技术背景与开源协议

• 继承与发展：Ornith-1.5 建立在 2026 年 6 月发布的 Ornith-1.0 基础之上，后者首次引入了将脚手架作为可学习对象的理念。新版本将这一概念扩展为完整的自我进化循环。
• 防御奖励破解：DeepReinforce 团队此前在 CUDA-L1 和 IterX 代理循环研究中就关注奖励破解问题。Ornith-1.5 通过在任务生成阶段引入“可验证性”硬门控，从源头上减少了模型通过作弊获取高奖励的可能。
• 开源许可：Ornith-1.5 权重已在 Hugging Face 上发布，遵循 MIT 许可证，允许广泛的商业和非商业用途。

适用场景

• 复杂代理工作流：397B 模型适合处理需要深度推理、多步规划和复杂工具调用的企业级代理任务。
• 高效代码生成与维护：35B 模型凭借其极高的激活效率，适合部署在成本敏感但需要高质量代码生成的场景中。
• 端侧智能应用：9B 模型及其 Mobile 构建使其成为在 iPhone 和 Android 设备上运行本地编码助手或推理代理的理想选择。