首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于

Ornith-1.0:用于代理编码的自我改进开源模型

2026-06-29 1 阅读 约9分钟阅读 danboarder
分享:
字号:
Ornith-1.0 阿罗哈! 🌺 Ornith-1.0 是一个自我改进的代理编码开源模型。亮点: 最先进的编码代理:提供 9B-Dense、31B-Dense、35B-MoE 和 397B-MoE(在 Gemma 4 和 Qwen 3.5 上进行后训练),在 Terminal-Bench 2.1、SWE-Bench、NL2Repo 等编码基准上,在同等大小的开源模型中实现最先进的性能张开爪。自我改进的培训框架:Ornith-1.0 使用 RL 来学习不仅生成解决方案部署,还生成驱动这些部署的 scallfold。通过联合优化脚手架和生成的解决方案,该模型发现更好的搜索轨迹并生成更高质量的解决方案。许可:MIT 许可,全球可访问,且不受区域限制。基准 每个模型都会根据其尺寸适当的基准进行评估。所有三个都使用相同的线束和解码设置(请参阅表下的注释)。 Ornith-1.0-9B Ornith-1.0-9B Qwen3.5-9B Qwen3.5-35B Gemma4-12B Gemma4-31B 代理编码终端-工作台 2.1 (Terminus-2) 43.1 21.3 41.4 21 42.1 终端-工作台 2.1 (克劳德代码) 40.6 18.9 38.9 - - SWE-bench 已验证 69.4 53.2 70 44.2 52 SWE-bench Pro 42.9 31.3 44.6 27.6 35.7 SWE-bench 多语言 52 39.7 60.3 32.5 51.7 NL2Repo 27.2 16.2 20.5 10.3 15.5 爪评估平均值 63.1 53.2 65.4 32.5 48.5 SWE Atlas - QnA 17.9 9.2 13.2 - - SWE Atlas - RF 16.6 4.3 10.2 - - SWE Atlas - TW 15.3 4.4 9.8 - - Ornith-1.0-35B Ornith-1.0-35B Qwen3.5-35B Qwen3.6-35B Gemma4-31B Qwen3.5-397B Agentic 编码终端-工作台 2.1 (Terminus-2) 64.2 41.4 52.5 42.1 53.5 终端-工作台 2.1 (Claude 代码) 62.8 38.9 49.2 - 48.6 SWE-bench 已验证 75.6 70 73.4 52 76.4 SWE-bench Pro 50.4 44.6 49.5 35.7 51.6 SWE-bench 多语言 69.3 60.3 67.2 51.7 69.3 NL2Repo 34.6 20.5 29.4 15.5 36.8 爪评估平均值 69.8 65.4 68.7 48.5 70.7 SWE Atlas - QnA 37.1 13.2 15.5 - 20.4 SWE Atlas - RF 29.7 10.2 11.4 - 18.4 SWE Atlas - TW 27.8 9.8 13.3 - 18.5 Ornith-1.0-397B Ornith-1.0-397B Qwen3.5-397B Qwen3.7-Max GLM-5.2-744B Minimax-M3-428B DeepSeek-V4-Pro-1.6T Claude Opus 4.7 Claude Opus 4.8 Agentic 编码终端-工作台 2.1 (Terminus-2) 77.5 53.5 73.5 81.0 64 64 70.3 85 Terminal-Bench 2.1 (克劳德代码) 78.2 48.6 69.8 82.7 - 66.5 69.7 78.9 SWE-bench 已验证 82.4 76.4 80.4 - - 80.6 80.8 87.6 SWE-bench Pro 62.2 51.6 60.6 62.1 59 55.4 64.3 69.2 SWE-bench 多语言 78.9 69.3 78.3 - - 76.2 - - NL2Repo 48.2 36.8 47.2 48.9 42.1 - - 69.7 爪评估平均值 77.1 70.7 65.2 - - 75.8 78.2 - SWE Atlas - QnA 41.2 20.4 - - 37.9 27.2 40.3 48.8 SWE Atlas - RF 42.6 18.4 - - - - 48.6 46.7 SWE Atlas - TW 39.1 18.5 - - 30.8 - 38.5 - * Terminal-Bench 2.1 (Terminus-2):使用 Harbor/Terminus-2 框架进行评估,parser=json,温度=1.0,top_p=1.0,128K 上下文窗口。每次运行使用 32 个 CPU 核心和 48GB RAM 的 4 小时超时,平均超过 5 次运行。我们调整 Qwen 聊天模板以保持训练和推理的一致性,并修改 Harbor 以与 vLLM 的 Reasoning_content 键保持一致。 * Terminal-Bench 2.1(克劳德代码):使用克劳德代码 2.1.126 进行评估,parser=json,温度=1.0,top_p=1.0,max_new_tokens=131072,平均运行 5 次(Qwen 聊天模板同样经过修改)。 * SWE-bench 验证/专业/多语言:OpenHands 工具,temp=1.0,top_p=0​​.95,256K 上下文窗口。 * SWE Atlas QnA / RF / TW:迷你 SWE 代理工具,temp=1.0,top_p=0​​.95,128K 上下文窗口,5 次运行的平均值。 * NL2Repo:温度=1.0,top_p=1.0,400K上下文,48K输出,防黑客过滤器。 * ClawEval:针对真实用户任务分配的代理代码基准; temp=0.6,256K 上下文。快速入门 注意 Ornith-1.0 是一个推理模型:默认情况下,助理回合在最终答案之前以 ... 块开始。下面的服务配方启用了推理解析器,以便在单独的 Reasoning_content 字段中返回思想链,并启用工具调用解析器,以便模型的 块显示为 OpenAI 样式的 tool_calls 。服务 Ornith-1.0 需要最近的运行时间: Transformers ≥ 5.8.1 vLLM ≥ 0.19.1 SGLang ≥ 0.5.9 建议的采样参数:温度 = 0.6 , top_p = 0.95 , top_k = 20 (使用温度 = 1.0 重现报告的基准设置)。服务 Ornith-1.0 Ornith-1.0 以密集 9B 模型和两个 Mixture-of-Experts 模型( 35B 、 397B )的形式提供。所有检查点都公开相同的 OpenAI 兼容接口并支持 256K(262,144 个令牌)上下文窗口;密集的 9B 适合单个 80GB GPU,而 MoE 检查点则通过张
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱