Ornith-1.5发布：AI自我出题训练Terminal-Bench超Claude
新智元 · wechat · 2026-08-27
Ornith-1.5 发布，引入了全新的自我提升机制：模型不再依赖人工出题，而是自主生成任务、搭建脚手架并跑出解题轨迹，通过 GRPO 优化这三段闭环。这种方法让 Terminal-Bench 2.1 分数从 77.5 飙升至 86.1，在其自测配置中超越了 Claude Opus 4.8 的 85.0 分。
核心机制
- 三段闭环：生成任务 -> 生成/改进脚手架 -> 跑解题轨迹，奖励信号同时回传。
n- 智能出题：利用“有效性、前沿难度、新颖性”三个信号相乘来过滤废题，并动态调整题目难度，使其保持在模型成功率约 20% 的边缘。
模型表现
- 397B MoE：Terminal-Bench 2.1 自测 86.1，SWE-bench Verified 未明确提及（注：原文主要强调TB成绩）。
- 35B MoE (3B 激活)：Terminal-Bench 2.1 达 67.8，SWE-bench Verified 79.0，以极小参数量击败了 Gemma-4 31B 等大模型，性价比极高。
- 9B Dense：针对端侧，Terminal-Bench 46.2，SWE-bench Verified 70.6，但在长链条工具调用（MCP-Atlas, Toolathlon）上受容量限制表现稍弱。
数据与评测争议
Ornith 披露的 Terminal-Bench 2.1 成绩是基于自测环境（4小时超时、特定配置）跑出的，与官方榜单的严格配置不同，因此不能直接混排比较。此外，虽然权重开源（MIT），但训练代码和数据集并未完全开源。
所属事件:Ornith-1.5 开源模型发布，自我改进号称比肩 Claude Opus(2 条相关)→
「编程与Agent」频道最新
- Photon 2.0 发布:一个 API 打通 iMessage 等六大消息渠道 — Scobleizer · 2026-10-16
- Open Nshipyard 清洗加拿大公开数据：151亿美元幽灵支出被扒出 — RichardsonDx · 2026-10-16
- Claude Opus 5.5 实测:低推理档位每小时迭代次数是最高档 9 倍 — tom_doerr · 2026-10-16
- Figma 发布 Guidelines 与 Code Sources，让 AI Agent 学会你的设计系统 — JaynitMakwana · 2026-10-16
- 前 DeepMind 工程负责人做 AI 代打电话产品 Fo,接通挂断率从 80% 降到 20-30% — julianweisser · 2026-10-16
- 营销机构 SPACE 开源其沙箱平台,每天跑数千个 agent 隔离执行环境 — marktenenholtz · 2026-10-16