Ornith là mô hình mã hóa nguồn mở được xây dựng cho các đại lý, không phải con người

DeepReinforce, một phòng thí nghiệm nghiên cứu AI trước đây được biết đến với CUDA-L1 và vòng lặp tối ưu hóa tác nhân mã IterX, phát hành Ornith-1.0 vào cuối tuần trước—một nhóm mô hình mã hóa nguồn mở có sẵn trên Hugging Face với bốn kích cỡ dựa trên số lượng tham số: 9 tỷ, 31 tỷ, 35 tỷ hỗn hợp chuyên gia và 397 tỷ hỗn hợp chuyên gia hàng đầu, tất cả đều theo giấy phép của MIT mà không có giới hạn khu vực.

Các tham số về cơ bản là số lượng mặt số và cấu hình mà một mô hình có thể xử lý trong quá trình huấn luyện của nó. Càng nhiều tham số, mô hình càng có khả năng. Một mô hình 9 tỷ tham số được coi là nhỏ, đủ tốt để chạy trên một chiếc điện thoại thông minh tốt, nhưng không có khả năng thực hiện bất kỳ tác vụ suy luận nặng nề nào một cách đáng tin cậy. Một mô hình trị giá 397 tỷ có khả năng cao hơn nhiều, nhưng yêu cầu một số tính toán nặng, loại không có sẵn trên phần cứng của người tiêu dùng.

Phòng thí nghiệm mô tả nó là “một nhóm các mô hình nguồn mở tự cải tiến đặc biệt dành cho các tác vụ mã hóa tác nhân.” Từ đó—đại lý—có tác dụng rất lớn.

Hầu hết AI mà mọi người tương tác đều mang tính trò chuyện: bạn gõ, nó phản hồi và cuộc trao đổi kết thúc. AI đặc vụ thì khác—nó nhận một nhiệm vụ và thực hiện các hành động để hoàn thành nó mà không cần con người hướng dẫn từng bước. Trong ngữ cảnh mã hóa, điều đó có nghĩa là AI đọc tệp, chạy thử nghiệm, xác định những gì không thành công, sửa mã và lặp lại cho đến khi hoàn thành.

Vì vậy, Agentic AI có nghĩa là không ai cần phải ngồi vào bàn phím trong hầu hết thời gian. Đó là toàn bộ vấn đề. Đây cũng là hướng mà tiến trình phù hợp nhất về mặt thương mại đang diễn ra vào năm 2026—các mô hình có thể chạy không giám sát thông qua quy trình làm việc dành cho nhà phát triển gồm 20 bước có giá trị cao hơn các mô hình viết hàm rõ ràng theo yêu cầu.

Tuy nhiên, hầu hết các mô hình ngôn ngữ lớn vẫn được thiết kế có tính đến phản hồi của con người.

Bộ não của Ornith hoạt động như thế nào

Hầu hết các tác nhân mã hóa AI đều được ghép nối với một bộ khai thác do con người thiết kế—một bộ quy tắc cố định về cách tác nhân cấu trúc hoạt động của nó: thời điểm gọi một công cụ, cách xử lý lỗi, cách phân tách một vấn đề gồm nhiều bước. Thay vào đó, Ornith “coi giàn giáo như một đối tượng có thể học được và cùng phát triển với chính sách.”

Dịch: thay vì kế thừa vở kịch của người khác, nó sẽ phát triển vở kịch của riêng mình.

Trong quá trình học tăng cường, mỗi bước huấn luyện diễn ra theo hai giai đoạn. Đầu tiên, mô hình sẽ đọc nhiệm vụ và đề xuất một chiến lược tinh tế để tiếp cận nó. Sau đó, nó sử dụng chiến lược đó để tạo ra giải pháp.

Phần thưởng từ kết quả sẽ quay trở lại cả hai giai đoạn—vì vậy mô hình được tối ưu hóa để viết ra các chiến lược tốt hơn chứ không chỉ để viết mã tốt hơn. Làm điều đó hàng nghìn, hàng triệu lần và các phương pháp tiếp cận theo nhiệm vụ cụ thể sẽ xuất hiện mà không cần con người thiết kế chúng.

DeepReinforce cũng coi trọng việc hack phần thưởng. Nếu mô hình có thể viết giàn giáo đào tạo của riêng mình, thì về mặt lý thuyết, nó có thể viết một giàn giáo để đánh lừa người xác minh — chạm vào một tệp để làm cho nó trông giống như đã hoàn thành một nhiệm vụ mà không thực sự thực hiện công việc. Ba lớp bảo vệ ngăn chặn điều này: môi trường và bộ thử nghiệm là bất biến và nằm ngoài tầm với của mô hình, trình giám sát xác định gắn cờ mọi nỗ lực truy cập vào các đường dẫn bị hạn chế hoặc thay đổi tập lệnh xác minh và mô hình đánh giá cố định nằm trên trình xác minh tự động với vai trò là quyền phủ quyết.

Những con số

Mô hình tham số 397 tỷ hàng đầu đăng 82,4 trên SWE-bench Added—một bài kiểm tra trong đó AI gặp lỗi thực sự từ kho lưu trữ GitHub nguồn mở và phải sửa lỗi đó mà không cần xem bộ kiểm tra, được tính điểm theo phần trăm vấn đề mà nó giải quyết thành công.

Điều đó đánh bại 80,8 của Claude Opus 4.7 và 80,6 của DeepSeek-V4-Pro trong cùng một bài kiểm tra. Trên Terminal Bench 2.1—89 tác vụ chạy bên trong môi trường thiết bị đầu cuối được đóng gói, từ gỡ lỗi mã không đồng bộ đến giải quyết các lỗ hổng bảo mật, được tính điểm theo tỷ lệ hoàn thành—nó đạt 77,5 so với 70,3 của Claude Opus 4.7.

Cho rằng Mối lo ngại về ô nhiễm băng ghế dự bị SWE đã được nêu ra một cách công khai—OpenAI đã lập luận vào đầu năm nay rằng các mô hình đang thổi phồng điểm số bằng cách ghi nhớ các giải pháp điểm chuẩn được thấy trong quá trình đào tạo—Ornith cũng báo cáo các con số trên SWE-bench Pro, một phiên bản khó hơn sử dụng các cơ sở mã đa dạng hơn, ít bị rò rỉ hơn cũng được tính điểm theo cách tương tự. Mô hình 397 tỷ hạ cánh ở mức 62,2 ở đó. Thấp hơn đáng kể nhưng vẫn có tính cạnh tranh trong lĩnh vực này và vẫn tốt hơn Deepseek V4 Pro.

Mô hình tham số 9 tỷ có thể là điểm dữ liệu thú vị hơn. Nó đạt 69,4 trên băng ghế dự bị SWE đã được xác minh—cao hơn 52 của Gemma 4-31B và cạnh tranh với 70 của Qwen 3,5-35B, mặc dù nhỏ hơn 3-4 lần.

Nó dành cho ai và không dành cho ai

Ornith-1.0 rõ ràng không phải là AI có mục đích chung. Tài liệu riêng của mô hình cho biết nó có thể hoạt động kém hơn ở các nhiệm vụ bên ngoài mã hóa tác nhân. Nếu bạn muốn AI tóm tắt một tài liệu, giúp bạn viết luận án tiến sĩ hoặc soạn thảo email, Ornith-1.0 là lựa chọn sai lầm.

Nó được tối ưu hóa cho một nhóm vấn đề hẹp: quy trình dành cho nhà phát triển trong đó tác nhân AI nhận mô tả nhiệm vụ, hoạt động bên trong kho lưu trữ mã hoặc phiên cuối và hoàn thành công việc gồm nhiều bước mà không cần can thiệp. Đây là công cụ được xây dựng cho những người đang vận hành cơ sở hạ tầng của đại lý—không phải dành cho những người đang cố gắng quyết định xem liệu AI có đáng sử dụng hay không.

Tiêu đề “đánh bại Claude” là có thật nhưng cần có ngữ cảnh. BẰNG Đã báo cáo giải mãmọi phòng thí nghiệm hiện đang theo đuổi hiệu suất trên các đánh giá mã hóa tác nhân, bởi vì đó là nơi tồn tại những khác biệt hữu ích về hiệu suất.

Ornith-1.0-397B vượt qua Claude Opus 4.7 ở cả hai tiêu chuẩn mã hóa khác nhau, nhưng lá cờ đầu hiện tại của Anthropic, Claude Opus 4.8, đạt điểm cao hơn. Sự so sánh được áp dụng nằm trong danh mục nguồn mở, với số lượng tham số có thể so sánh được, về các tác vụ tác nhân dành riêng cho mã hóa.

Đối với các nhà phát triển xây dựng quy trình mã hóa tự lưu trữ, cơ sở hạ tầng đại lý hoặc công việc tập trung vào mã hóa tương tự, các mô hình vừa và nhỏ chạy trên phần cứng biên có thể thực sự hữu ích, nhưng người bình thường có thể tìm kiếm ở nơi khác tốt hơn.