可以自我进化的本机模型Ornith-1.5

开源模型一发新版，宣传稿里出现频率最高的两个字就是“对标”。

Ornith-1.5 也不例外。按官方自报的成绩单，旗舰 397B 版本在终端评测（Terminal-Bench 2.1）拿到了 86.1 分，压了 Claude Opus 4.8（85.0 分）一头；在 DeepSWE 编程评测上也咬得很紧。

数字确实好看。但我刷完一圈讨论，大家都在复述“击败/逼近顶级闭源模型”，很少有人聊更实在的问题：这玩意儿，我这台破电脑到底跑不跑得动？如果跑得动，怎么用在我的实际活儿里？

跑分再猛，也不如“能在本机跑、不用把未公开代码和敏感思路送去陌生云端”实在。

这只“鸟”到底新在哪？

Ornith 来自 DeepReinforce 团队，名字源自小鸟叫声（Chirp Chirp）。它的定位极其明确：专攻写代码、逻辑推理和 Agent（智能体）任务，不是为了陪人闲聊的万能管家。

模型基于 Qwen 与 Gemma 架构进一步训练而来，采用宽松的 MIT 开源协议，商用限制很小。它最大的技术看点叫“自改进机制（Self-Improvement）”。

很多人以为“自我进化”是科幻片，其实工程落地很直白，每个训练循环主要做三件事：

• 自己出题： 根据当前代码库与历史记录，生成比自己现有水平难一点点、但结果可验证的新题目。
• 搭脚手架： 针对这道新题，自己去组装提示词、调用工具和设定裁判规则。
• 模拟刷题： 在自己搭好的环境下解题；做完后，把奖励信号同时反哺给“出题、搭考场、答题”三个环节。

做 Agent 任务最让人头疼的，从来不是单次回答漂不漂亮，而是怎么拆解任务、怎么用工具、以及报错后怎么诚实打分。Ornith 把这三件事打成一个死循环来练。哪怕榜单跑分会有水分，这种“自己给自己布置考卷”的训练思路，远比单纯堆砌参数有价值。

Ollama 选型指南：别一上来就拖 397B

Ollama 官方库已经收录了该模型，全系标配 256K 上下文并支持图文混输（Vision）。官方提供三个规格，千万别盲目下载：

一条命令直接拉起（以 9B 为例）：

Bash

ollama run ornith-1.5:9b

本地调用接口通常默认监听在 http://localhost:11434。

避坑提醒：

1. 思考过程解析： 模型默认带有深度思考机制（Reasoning），回答前会先输出一段思考过程。如果把它接入 Cursor、OpenHands 或自己的脚本，务必确认客户端能不能剥离 <think> 标签，别把半截草稿当成正式代码粘进项目。
2. 别贪第三方改版： 社区目前有各种加了 MTP 或工具链的 fork 版本，初次上手先认准官方原版标签，少走弯路。

官方跑分，看的时候要“打折”

官方给出的榜单数据很豪华：35B 在同尺寸里表现突出，9B 甚至越级逼近更大尺寸的竞品。但在掏出真机使用前，建议先套用三层“滤镜”：

• 测试脚手架会左右得分： 同样是代码测试，评测套件稍微改改命令，跑出来的分能差一大截。换进你的真实开发流程，效果可能会重新洗牌。
• 官方自测不等于社区盖章： 即使官方强调多轮取平均、断网防泄漏，在没有大范围第三方独立复测前，都只能当个选型参考。
• 它不是全能通才： 它的长板是代码生成和工具调度，拿它写中文长篇公文、写抒情文案或者扯闲篇，大概率会失望。

把好用的工具握在自己手里的确定性，永远大于追逐天花板上的数字。如果你不想把核心业务逻辑和私密项目一股脑送到云端 API，本地部署就是早晚要踩的一步。

今晚不需要去研究深奥的强化学习算法。只需打开终端，敲下 ollama run ornith-1.5:9b，丢给它一段报错日志，或者给它截张图让它找找 Bug。跑通一个属于你自己的真实小任务，这就足够了。