作者 | Don
來源 | 至頂AI實驗室
Ornith-1.0 是什麼來頭
Ornith-1.0 是AI研究團隊 DeepReinforce 在2026年6月25日發布的開源代碼模型家族，面向"agentic coding"，也就是能自主規劃、執行、修復代碼的編程智能體場景。家族一共四個尺寸：9B稠密、31B稠密、35B混合專家（MoE）、397B MoE旗艦。9B、35B、397B基於阿里的Qwen 3.5後訓練，31B則基於Google的Gemma 4。影片拍攝時31B還沒在Hugging Face上公開，397B又太大，影片作者手頭沒有合適的機器跑，實際測試的只有9B稠密版和35B的MoE版本。
自我進化的模型訓練思路
這個模型家族最特別的地方，是訓練時用的"自我進化腳手架"思路。以往的編程智能體，通常由研究者手工設計一套固定"腳手架"：工具調用、錯誤處理、任務拆解的整套流程，模型只負責往裡面填答案。Ornith-1.0反過來，把腳手架也變成模型在強化學習中自己疊代的對象：先讀任務和上一輪腳手架，提出改進版腳手架，再用它生成解決方案，兩步反饋都會回流訓練。用到的算法是GRPO（分組相對策略優化），最早由DeepSeek在2024年DeepSeekMath論文裡提出：讓模型針對同一任務一次生成一組答案，組內互相比較評分，省掉訓練獨立"評判模型"的開銷，是近來國產開源模型圈常用的訓練手段。
影片裡還提到一個背景，多少能解釋大家為何對開源模型格外上心：錄製前不久，OpenAI發布新一代旗艦模型GPT-5.6，但受美國網路安全審查流程影響，目前只對約20家經審批的合作夥伴開放，普通用戶完全無法通過ChatGPT或API訪問。作者感慨前沿閉源模型的門檻正變得越來越高，這也讓開源權重模型顯得更有存在感。
本地測試設備
回到實測。作者用兩台機器分別跑9B和35B。9B在一台筆記本上跑，顯卡是移動版RTX 5090（24GB顯存），Q8量化，通過LM Studio加載。這裡值得提一句：筆記本版RTX 5090和桌面版並非同一塊晶片，桌面版用完整的Blackwell GB202核心、32GB顯存，筆記本版是閹割過的GB203核心、24GB顯存，性能更接近桌面版RTX 5080，購買前容易踩坑。35B的MoE版本跑在一台配備RTX 6000 Pro（Blackwell架構
專業卡）的機器上，通過vLLM以未量化全精度運行。這塊工作站旗艦卡有96GB GDDR7顯存，是RTX 5090的三倍，官方定價約8500美元。
多個實測開始
測試項目是作者頻道的常規菜單：生成一個可交互的"瀏覽器桌面作業系統"、一個地鐵3D場景並改造成帶喪屍敵人的FPS遊戲、一個帶3D手錶模型和電影感首屏的手錶電商網站、按圖復刻3D模型，以及一些即興追加測試。作者還用了開源編程智能體Open Code（一個能在終端里調用本地模型自主寫代碼、跑命令、修錯誤的工具），把兩個模型生成的半成品接進去，看它們能不能自己發現並修復bug。
結果上，35B的MoE版本明顯更讓作者驚喜：生成的"瀏覽器桌面系統"裡帶了一個會互動的桌寵，能拖動、有待機動畫，離開螢幕再回來還會有反應。
GTA風格小遊戲雖非真3D，走路動畫、車輛細節、打鬥手感卻比預期完整。
地鐵FPS被指出無法造成傷害後，也順利修復。
9B版本整體偏弱：瀏覽器系統初版卡在功能性問題上，交給Open Code修復時，作者盯著思維鏈發現反覆出現猶豫措辭，懷疑進入了思維循環，最終沒修好；手錶網站的3D模型也一直沒修成，倒是35B版本的手錶官網首屏效果不錯。
不過9B在按圖建模測試里，初版失敗後經Open Code重新處理，好歹找補回了顏色、搖桿等元素，說明它的視覺理解基礎還在。
作者強調這只是"第一印象"式的輕量測試，而非嚴格基準評測：35B用的是全精度，本身比Q8量化的9B多一層硬體優勢，也沒有和各自的Qwen 3.5基座模型做逐項對比，談不上"微調後一定更強"。
影片最後，作者最期待兩件事：一是基於Gemma 4的31B版本公開後的表現；二是希望出一個基於Qwen 27B稠密模型的版本。在他看來，這個27B基座眼下仍是本地代碼模型里最能打的選手之一。隨著前沿閉源模型的門檻越來越高，這類開放權重、能在自己顯卡上跑起來的模型，恐怕會有越來越多人開始認真對待。
